Usando IA para identificar grupos de pacientes em risco em sistemas de triagem de pronto-socorro

Uma colaboração multinacional no centro de inovação médica Eitri, em Bergen, Noruega, utilizou modelos de aprendizagem automática para identificar grupos de pacientes em risco de serem maltratados.

Os médicos devem fazer escolhas difíceis todos os dias no pronto-socorro (geralmente chamado de pronto-socorro ou pronto-socorro). Eles geralmente têm um sistema que os ajuda a obter o nível certo de atendimento aos pacientes, chamado triagem.

“Os sistemas de triagem ajudam os médicos a determinar quando um paciente está enfrentando uma verdadeira emergência médica e precisa de tratamento imediato, ou quando é provavelmente seguro adiar o tratamento. Ainda assim, podem acontecer erros e, por vezes, os pacientes não recebem a ajuda de que necessitam”, diz o Dr. Sage Wyatt, da Faculdade de Medicina da Universidade de Bergen, Noruega.

Não existe um sistema de triagem universal e pode ser difícil avaliar até que ponto os diferentes sistemas funcionam.

Agora, uma equipa eclética de investigadores noruegueses e alemães dos setores académico, industrial e médico utilizou a aprendizagem automática para esclarecer o funcionamento dos sistemas de triagem em Bergen e Trondheim, na Noruega.

A colaboração surgiu de um “Datathon” na Eitri Medical Incubator, Bergen, em 2022, supervisionado pelo Dr. Christopher Sauer, oncologista do Instituto de IA em Medicina de Essen, Alemanha. Este projecto acabou por conduzir a uma publicação no Jornal de pesquisa médica na Internet.

O primeiro autor, Dr. Sage Wyatt, defende o valor do uso do aprendizado de máquina para analisar dados médicos. “Nesse cenário, os métodos de aprendizado de máquina nos permitiram considerar a importância de muitos fatores complexos que impactam a classificação da triagem simultaneamente, fornecendo resultados mais matizados do que os métodos convencionais”, diz ela.

Os resultados foram surpreendentes

Os cientistas de dados da equipe de Wyatt queriam descobrir que tipos de pacientes foram reprovados pelo sistema de triagem, como pacientes que receberam baixa prioridade, mas que mais tarde morreram ou foram transferidos para a unidade de terapia intensiva (subtriagem) ou pacientes que receberam alta prioridade desnecessariamente (excesso de triagem).

Felizmente, a triagem incorreta era muito rara, afetando menos de um por cento dos pacientes.

Os membros da equipe de ciência de dados com treinamento no setor usaram modelos de aprendizado de máquina para determinar a importância de muitas características diferentes dos pacientes simultaneamente, um método novo que nunca havia sido usado nesse cenário antes.

Os modelos de aprendizado de máquina classificaram a importância das variáveis ​​no conjunto de dados por uma métrica conhecida como “valores SHAP”.

“SHAP é uma métrica da teoria dos jogos e é uma forma de quantificar o quanto uma variável contribui para a previsão”, explica Wyatt.

Quando aplicaram estes métodos aos dados do departamento de emergência, os resultados foram surpreendentes:

“Um estudo anterior utilizando métodos convencionais em Bergen mostrou que a sobretriagem era mais prevalente em pacientes com menos de 18 anos, o que implica que a idade é uma das variáveis ​​mais importantes que contribuem para a sobretriagem”, diz Wyatt.

“No entanto, a seleção automatizada de variáveis ​​com base nos valores SHAP em nosso estudo revelou que a idade pode não ser a característica mais importante que contribui para a supertriagem em Bergen, como poderia ter sido uma suposição em um estudo direcionado pelo conhecimento do domínio”.

Corrigindo suposições

Por “conhecimento de domínio”, Wyatt refere-se ao conhecimento derivado da opinião especializada dos médicos que utilizam o sistema. Wyatt diz que pode haver desvantagens em basear um estudo apenas na opinião de especialistas.

“Embora seja valioso ouvir as opiniões das pessoas que melhor conhecem os sistemas de triagem, esta informação também pode ser baseada em atitudes e suposições não relacionadas com a ferramenta em si”, diz Wyatt. “Com muito foco na sociedade na igualdade de género, que é um tema importante a discutir, médicos e pacientes podem assumir que a triagem incorrecta também pode ser devida a preconceitos de género”.

O estudo anterior descobriu que o sexo do paciente era um fator importante. No entanto, como explica o Dr. Wyatt, “em vez disso, com métodos de aprendizado de máquina, identificamos que o departamento de referência clínica e os códigos de diagnóstico são fatores mais importantes associados à triagem excessiva no conjunto de dados de Bergen”.

A IA pode fornecer novas perspectivas na ciência

Embora os métodos de aprendizado de máquina e a inteligência artificial não sejam ferramentas perfeitas, Wyatt espera que essas ferramentas possam ser usadas para fornecer novas perspectivas na ciência.

“Para uma utilização ideal, os métodos apropriados devem ser adaptados ao contexto específico da investigação, e as armadilhas comuns devem ser evitadas”, diz ela, e conclui:

“Mais pesquisas são necessárias no futuro sobre sistemas de triagem e novas aplicações de métodos de aprendizado de máquina, como sistemas automatizados de classificação de triagem”.