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

> Sim. A revisão sistemática mostra que modelos de aprendizado de máquina que combinam texto clínico não estruturado com dados estruturados predizem sepse mais precocemente e com maior acurácia do que dados estruturados isolados, embora os estudos sejam heterogêneos e sem meta-análise.

Estudo citado: Yan MY, Gustad LT, Nytrø Ø. Sepsis prediction, early detection, and identification using clinical text for machine learning: a systematic review. Journal of the American Medical Informatics Association : JAMIA. 2022. DOI: https://doi.org/10.1093/jamia/ocab236. PubMed: https://pubmed.ncbi.nlm.nih.gov/34897469/

## 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.

## 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?

Tema: IA em triagem e prontuário eletrônico. Página: https://alphadoctor.com.br/ciencia/ia-triagem-prontuario/o-uso-de-texto-clinico-nao-estruturado-em-aprendizado-de-maquina-melhora-a/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.