O aprendizado de máquina pode reduzir os testes e melhorar o tratamento para pacientes em terapia intensiva.
Notícias e novidades tecnológicas
Dilema
Médicos em unidades de terapia intensiva enfrentam um dilema contínuo: cada exame de sangue que eles fazem pode gerar informações críticas, mas também adiciona custos e riscos aos pacientes.
Solução através de abordagem computacional
Para enfrentar esse desafio, pesquisadores da Universidade de Princeton estão desenvolvendo uma abordagem computacional para ajudar os médicos a monitorar com mais eficácia as condições dos pacientes e tomar decisões sobre as melhores oportunidades para solicitar exames laboratoriais para pacientes específicos.
Aprendizado de máquina na medicina
Cientistas da Universidade de Princeton, escola de engenharia, noticiaram no dia 22 de janeiro de 2019, informações sobre esse trabalho.
Usando dados de mais de 6.000 pacientes, os alunos de pós-graduação Li-Fang Cheng e Niranjani Prasad trabalharam com a professora associada de Ciência da Computação Barbara Engelhardt para projetar um sistema que pudesse reduzir a frequência de testes e melhorar o tempo de tratamentos críticos.
A equipe apresentou seus resultados em 6 de janeiro no Pacific Symposium on Biocomputing, no Havaí.
Foco da análise
A análise centrou-se em quatro análises sanguíneas que medem o lactato, creatinina, azoto ureico no sangue e glóbulos brancos.
Esses indicadores são usados para diagnosticar dois problemas perigosos para pacientes internados em UTI: insuficiência renal ou uma infecção sistêmica chamada sépsis.
“Como um de nossos objetivos era pensar se poderíamos reduzir o número de exames laboratoriais, começamos a examinar os painéis de exames de sangue mais ordenados”, disse Cheng, co-autor principal do estudo, juntamente com a Prasad.
Dados do banco de dados MIMIC III
Os pesquisadores trabalharam com o banco de dados MIMIC III, que inclui registros detalhados de 58.000 internações em cuidados intensivos no Beth Israel Deaconess Medical Center, em Boston.
Para o estudo, os pesquisadores selecionaram um subconjunto de 6.060 registros de adultos que permaneceram na UTI entre um e 20 dias e tiveram medições para sinais vitais comuns e testes de laboratório.
“Esses dados médicos, na escala que estamos falando, basicamente se tornaram disponíveis nos últimos dois anos, de uma forma que podemos analisá-los com métodos de aprendizado de máquina”, disse Engelhardt, o autor sênior do estudo. “Isso é super emocionante e uma ótima oportunidade.”
Como funciona
O algoritmo da equipe usa uma “função de recompensa” que incentiva uma ordem de teste com base em quão informativo o teste é em um determinado momento.
Ou seja, há uma recompensa maior na administração de um teste se houver uma probabilidade maior de que o estado de um paciente seja significativamente diferente da última medida e se o resultado do teste sugerir uma intervenção clínica, como iniciar antibióticos ou auxiliar a respiração mecânica ventilação.
Ao mesmo tempo, a função adiciona uma penalidade pelo custo monetário e risco do teste para o paciente.
Prasad observou que, dependendo da situação, um clínico poderia decidir priorizar um desses componentes em detrimento de outros.
Abordagem aprendizado por reforço
Essa abordagem, conhecida como aprendizado por reforço, visa recomendar decisões que maximizem a função de recompensa.
Isso trata da questão dos testes médicos “como o problema de tomada de decisão sequencial, onde você considera todas as decisões e todos os estados que viu no período de tempo anterior e decide o que deve fazer no momento atual para maximizar o tempo – recompensa para o paciente “, explicou Prasad, um estudante de graduação em ciência da computação.
A classificação dessas informações de maneira oportuna para um cenário clínico requer considerável poder computacional, disse Engelhardt, um membro do corpo docente associado do Instituto Princeton de Ciência e Engenharia Computacional (PICSciE).
Cheng, uma estudante de pós-graduação em engenharia elétrica, trabalhou com seu co-conselheiro Kai Li, o professor Paul M. e Marcia R. Wythes em Ciência da Computação, para executar os cálculos da equipe usando recursos PICSciE.
Comparações entre políticas
Para testar a utilidade da política de testes laboratoriais que desenvolveram, os pesquisadores compararam os valores da função de recompensa que resultariam da aplicação de sua política aos esquemas de teste que foram realmente usados para os 6.060 pacientes no conjunto de dados de treinamento, que foram admitidos no UTI entre 2001 e 2012.
Eles também compararam esses valores com aqueles que teriam resultado de políticas de testes de laboratório randomizados.
Para cada componente de teste e recompensa, a política gerada pelo algoritmo de aprendizado de máquina teria levado a melhores valores de recompensa em comparação com as políticas reais usadas no hospital.
Na maioria dos casos, o algoritmo também superou as políticas aleatórias.
O teste de lactato foi uma exceção notável, isto pode ser explicado pela frequência relativamente baixa de ordens de teste de lactato, levando a um alto grau de variação na informatividade do teste.
No geral, a análise dos pesquisadores mostrou que sua política otimizada teria gerado mais informações do que o regime de testes real que os médicos seguiram.
Usando o algoritmo poderia ter reduzido o número de pedidos de teste de laboratório em até 44% no caso de testes de glóbulos brancos.
Eles também mostraram que essa abordagem teria ajudado a informar os médicos para intervir às vezes mais cedo, quando a condição do paciente começou a se deteriorar.
“Com a política de pedidos laboratoriais que este método desenvolveu, pudemos pedir aos laboratórios para determinar que a saúde do paciente se degradou o suficiente para precisar de tratamento, em média, quatro horas antes do clínico iniciar o tratamento com base em laboratórios médicos”, disse. Engelhardt.
“Há uma escassez de diretrizes baseadas em evidências em cuidados intensivos com relação à frequência apropriada de medições em laboratório”, disse Shamim Nemati, professor assistente de informática biomédica da Universidade Emory, que não esteve envolvido no estudo.
Cientistas de dados na equipe de assistência médica preditiva
“Enfoques baseados em dados, como o proposto por Cheng e co-autores, quando combinados com uma visão mais profunda do fluxo de trabalho clínico, têm o potencial de reduzir o custo dos testes excessivos e melhorar a consciência situacional e os resultados.”
O grupo de Engelhardt está colaborando com cientistas de dados na equipe de assistência médica preditiva da Penn Medicine para introduzir essa política na clínica nos próximos anos.
Tais esforços visam “dar aos médicos as superpotências que outras pessoas em outros domínios estão recebendo”, disse Corey Chivers, cientista sênior de dados da Universidade da Pensilvânia.
Dados ajudarão cada vez mais aos médicos
“Ter acesso a aprendizado de máquina, inteligência artificial e modelagem estatística com grandes quantidades de dados” ajudará os médicos a “tomar melhores decisões e, finalmente, melhorar os resultados dos pacientes”, acrescentou.
“Esta é uma das primeiras vezes em que poderemos adotar essa abordagem de aprendizado de máquina e colocá-la na UTI, ou em um ambiente de internação hospitalar, e aconselhar os cuidadores de uma forma que os pacientes não fiquem em risco. “, disse Engelhardt. “Isso é realmente algo novo.”
Este trabalho foi apoiado pelo Helen Shipley Hunt Fund, que apoia pesquisas destinadas a melhorar a saúde humana e o Wendy Schmidt for Strategic Innovation, que apóia a pesquisa em inteligência artificial e aprendizado de máquina.
Curta a página do Código Fluente no Facebook
https://www.facebook.com/Codigofluente-338485370069035/
Vou deixar meu link de referidos na digitalocean pra vocês.
Quem se cadastrar por esse link, ganha $100.00 dólares de crédito na digitalocean:
Digital Ocean
Esse outro link é da one.com:
One.com
Obrigado, até a próxima. 😉
Fonte da história:
Materiais fornecidos pela Princeton University, Engineering.
Referência:
Princeton University, Engineering School. “Machine learning could reduce testing, improve treatment for intensive care patients.” ScienceDaily. ScienceDaily, 22 January 2019. <www.sciencedaily.com/releases/2019/01/190122142853.htm>.
