IA em triagem e prontuário eletrônico

O uso de texto clínico não estruturado em aprendizado de máquina melhora a predição e detecção precoce de sepse?

Resposta

A revisão sistemática teve como objetivo determinar os efeitos do uso de texto clínico não estruturado em aprendizado de máquina para predição, detecção precoce e identificação de sepse. Foram incluídos 9 estudos que utilizaram texto clínico e/ou processamento de linguagem natural para detectar, identificar, reconhecer, diagnosticar ou predizer o início, desenvolvimento, progresso ou prognóstico de síndrome da resposta inflamatória sistêmica, sepse, sepse grave ou choque séptico.

Os textos clínicos utilizados nos modelos incluíam notas narrativas escritas por enfermeiros, médicos e especialistas em diversas situações, frequentemente combinadas com dados estruturados comuns, como demográficos, sinais vitais, dados laboratoriais e medicamentos. A comparação pela área sob a curva ROC (AUC) mostrou que a utilização conjunta de texto e dados estruturados prediz sepse mais precocemente e com maior acurácia do que dados estruturados isolados.

Os estudos focaram na identificação de sepse ou detecção precoce antes do início; nenhum estudo utilizou históricos de pacientes além do episódio atual de cuidado para predizer sepse. A definição de sepse afeta métodos de relato, desfechos e resultados. Muitos métodos dependem de medições contínuas de sinais vitais em terapia intensiva, o que os torna dificilmente transferíveis para unidades de enfermaria geral.

Não foi realizada meta-análise devido a medições incomparáveis entre os 9 estudos incluídos. As abordagens foram heterogêneas, mas os estudos mostraram que utilizar tanto texto não estruturado quanto dados estruturados em aprendizado de máquina pode melhorar a identificação e a detecção precoce de sepse.

Para o médico, isso sugere que sistemas de apoio à decisão que incorporam informações de notas clínicas podem ser mais eficazes na identificação precoce da sepse, embora a implementação exija atenção às diferenças entre ambientes de terapia intensiva e enfermaria geral.

O que o estudo mostrou

Revisão sistemática de 9 estudos que usaram texto clínico não estruturado (notas de enfermeiros, médicos e especialistas) combinado ou não a dados estruturados (demográficos, sinais vitais, laboratório, medicamentos) para predição, detecção precoce e identificação de sepse. A comparação por AUC mostrou que a combinação de texto e dados estruturados prediz sepse mais precocemente e com maior acurácia do que dados estruturados isolados. Não foi feita meta-análise devido a medições incomparáveis.

Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre vieses. Não foi realizada meta-análise devido à heterogeneidade de medições. Muitos métodos dependem de medições contínuas de sinais vitais em terapia intensiva, limitando a generalização para enfermarias. Nenhum estudo usou históricos de pacientes além do episódio atual. A definição de sepse variou entre os estudos, afetando resultados.

Aplicação no consultório

A aplicação no consultório envolve considerar que ferramentas de aprendizado de máquina que integram texto clínico e dados estruturados podem auxiliar na identificação precoce de sepse, especialmente em ambientes com prontuário eletrônico que capture notas clínicas. Para a gestão do consultório, isso implica investir em sistemas que estruturem e utilizem dados não estruturados, além de treinar a equipe para documentar adequadamente. No entanto, a transferência para unidades de enfermaria geral requer validação local, dado que muitos modelos foram desenvolvidos em terapia intensiva.

Estudo citado

Sepsis prediction, early detection, and identification using clinical text for machine learning: a systematic review. Journal of the American Medical Informatics Association : JAMIA, 2022.
Autores: Yan MY, Gustad LT, Nytrø Ø.
DOI: 10.1093/jamia/ocab236 · PubMed: PMID 34897469

Perguntas para aprofundar

• Como o texto clínico não estruturado pode ser integrado a modelos de aprendizado de máquina na prática clínica?
• Quais são os desafios para implementar modelos de predição de sepse baseados em texto em enfermarias gerais?
• Qual o impacto da definição de sepse nos resultados dos modelos de aprendizado de máquina?

Mais sobre IA em triagem e prontuário eletrônico

• Aprendizado de máquina e aprendizado profundo são eficazes para prever mortalidade por sepse usando prontuário eletrônico?
• Como o processamento de linguagem natural em prontuários eletrônicos pode apoiar a decisão clínica e quais são as limitações atuais?
• Como técnicas de processamento de linguagem natural e aprendizado de máquina podem ser aplicadas à experiência do paciente em texto livre?
• Incorporar informações de texto livre de prontuários eletrônicos aos códigos melhora a detecção de casos em pesquisas clínicas?
• O uso de processamento de linguagem natural com aprendizado de máquina é eficaz para identificar tromboembolismo venoso em prontuários eletrônicos?

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