IA em triagem e prontuário eletrônico

Modelos de machine learning identificam e predizem a necessidade de admissão em UTI em pacientes da emergência?

Resposta

A triagem na emergência é um passo crucial para pacientes que buscam atendimento agudo, com implicações importantes para sobrevivência e prognóstico. Nesta revisão sistemática, os autores investigaram o desempenho de modelos de machine learning (ML) para reconhecer e predizer a necessidade de cuidados intensivos em pacientes da emergência.

Foram incluídos dez estudos, com algoritmos principais como Gradient Boosting, Regressão Logística, Redes Neurais, Support Vector Machines e Random Forest. Os desempenhos variaram: Gradient Boosting apresentou sensibilidade de 0,3 a 0,96 e AUC de 0,68 a 0,93; Regressão Logística, sensibilidade de 0,46 a 0,97 e AUC de 0,72 a 0,97; Redes Neurais, sensibilidade de 0,45 a 0,96 e AUC de 0,67 a 0,91; Support Vector Machines, sensibilidade de 0,49 a 0,83, sem AUC reportada; e Random Forest, sensibilidade de 0,75 a 0,91 e AUC de 0,83.

Os resultados sugerem que os modelos de ML têm bom desempenho na identificação e predição de pacientes criticamente enfermos na triagem da emergência. Contudo, o número limitado de estudos para cada modelo e a heterogeneidade nas métricas de desempenho limitam conclusões definitivas sobre qual algoritmo é superior.

Os autores concluem que são necessárias pesquisas prospectivas de alta qualidade para validar esses achados. A avaliação do risco de viés foi realizada com a ferramenta PROBAST, mas o resumo não detalha os resultados dessa avaliação.

Para o médico, esses achados indicam que ferramentas de ML podem auxiliar na triagem, mas ainda não estão prontas para uso clínico rotineiro sem validação adicional. A aplicação prática requer cautela e consideração das limitações metodológicas dos estudos disponíveis.

O que o estudo mostrou

Revisão sistemática de dez estudos que avaliaram modelos de machine learning para predizer necessidade de UTI na emergência. Os algoritmos mais usados foram Gradient Boosting, Regressão Logística, Redes Neurais, Support Vector Machines e Random Forest. Os desempenhos variaram amplamente, com AUC de 0,68 a 0,97 para os modelos que reportaram essa métrica. O risco de viés foi avaliado com PROBAST, mas os resultados não são detalhados no resumo.

Limitações

O resumo não informa o número total de pacientes ou o desenho específico dos estudos incluídos. O número limitado de estudos por modelo e a heterogeneidade nas métricas de desempenho impedem conclusões definitivas. Os resultados da avaliação de risco de viés com PROBAST não são apresentados. São necessárias pesquisas prospectivas de alta qualidade para validar os achados.

Aplicação no consultório

Os achados sugerem que modelos de ML podem auxiliar na triagem da emergência, mas sua implementação na prática clínica ainda requer validação prospectiva. Para gestores de consultório ou emergência, a adoção dessas ferramentas deve ser cautelosa, considerando a necessidade de treinamento e integração com o fluxo de trabalho. A revisão não fornece evidências suficientes para recomendar um modelo específico, e a decisão deve ser baseada em validação local e recursos disponíveis.

Estudo citado

Machine learning model identification and prediction of patients' need for ICU admission: A systematic review. The American journal of emergency medicine, 2023.
Autores: Chen Y, Chen H, Sun Q, Zhai R, Liu X, Zhou J, Li S.
DOI: 10.1016/j.ajem.2023.08.043 · PubMed: PMID 37696074

Perguntas para aprofundar

• Qual o desempenho de modelos de machine learning na predição de admissão em UTI em comparação com escores tradicionais?
• Quais variáveis clínicas são mais importantes nos modelos de machine learning para triagem de emergência?
• Como implementar um modelo de machine learning na triagem da emergência de forma segura e ética?

Mais sobre IA em triagem e prontuário eletrônico

• Métodos de aprendizado de máquina aplicados à triagem em serviços de emergência são eficazes para prever desfechos como mortalidade e necessidade de cuidados críticos?
• Quais algoritmos de aprendizado de máquina têm sido aplicados em unidades de emergência e quais são suas limitações?
• A aplicação de inteligência artificial pode melhorar o desempenho da triagem em departamentos de emergência?
• A inteligência artificial pode apoiar a triagem de enfermagem no pronto-socorro e reduzir a subtriagem?
• Como a aprendizagem de máquina tem sido aplicada aos dados de rotina da UTI e qual a qualidade metodológica desses estudos?

Todas as perguntas sobre IA em triagem e prontuário eletrônico · Todos os temas · Versão em markdown