Quando os pacientes recebem atendimento após uma parada cardíaca, os médicos agora podem – inserindo os dados do paciente em um aplicativo baseado na web – descobrir como milhares de pacientes semelhantes se saíram. Pesquisadores da Universidade de Gotemburgo desenvolveram três desses sistemas de apoio à decisão para parada cardíaca que podem, no futuro, fazer uma grande diferença no trabalho dos médicos.
Uma dessas ferramentas de apoio à decisão (SCARS-1), agora publicada, pode ser baixada gratuitamente no site Gothenburg Cardiac Arrest Machine Learning Studies. No entanto, os resultados do algoritmo precisam ser interpretados por pessoas com as habilidades certas. O suporte à decisão baseado em IA está se expandindo fortemente em muitas áreas da assistência médica, e extensas discussões estão em andamento sobre como os serviços de assistência e os pacientes podem se beneficiar mais com isso.
O aplicativo acessa dados do Registro Sueco de Ressuscitação Cardiopulmonar em dezenas de milhares de casos de pacientes. Os pesquisadores da Universidade de Gotemburgo usaram uma forma avançada de aprendizado de máquina para ensinar modelos de previsão clínica a reconhecer vários fatores que afetaram os resultados anteriores. Os algoritmos levam em consideração vários fatores relacionados, por exemplo, à parada cardíaca, tratamento fornecido, problemas de saúde anteriores, medicação e status socioeconômico.
Novos métodos baseados em evidências
Levará alguns anos até que as recomendações oficiais para parada cardíaca provavelmente incluam suporte à decisão baseado em IA, mas os médicos são livres para usar esses modelos de previsão e outros novos métodos baseados em evidências. O grupo de pesquisa que trabalha no apoio à decisão para parada cardíaca é liderado por Araz Rawshani, pesquisador da Academia Sahlgrenska da Universidade e médico residente em cardiologia do Hospital Universitário Sahlgrenska.
“Tanto eu quanto vários de meus colegas que tratam pacientes de emergência com parada cardíaca já começamos a usar os modelos de previsão como parte de nosso processo para decidir sobre o nível de atendimento. A resposta dessas ferramentas geralmente significa que recebemos a confirmação de pontos de vista que temos já chegamos. Ainda assim, nos ajuda a não submeter os pacientes a tratamentos dolorosos que provavelmente não serão benéficos para o paciente, economizando recursos de cuidados”, diz Rawshani.
Altamente acurado
Até o momento, o grupo de pesquisa publicou duas ferramentas de apoio à decisão. Um modelo de predição clínica, conhecido como SCARS-1, é apresentado em do Lancet eBioMedicine Diário. Este modelo indica se um novo caso de paciente se assemelha a outros casos anteriores em que, 30 dias após a parada cardíaca, os pacientes sobreviveram ou morreram. A precisão do modelo é extraordinariamente alta. Com base apenas nos dez fatores mais significativos, o modelo tem sensibilidade de 95% e especificidade de 89%. O “valor AUC-ROC” (ROC sendo a curva característica de operação do receptor para o modelo e AUC a área sob a curva ROC) para este modelo é 0,97. O valor AUC-ROC mais alto possível é 1,0 e o limite para um modelo clinicamente relevante é 0,7.
Uma peça do quebra-cabeça
Este apoio à decisão foi desenvolvido por Fredrik Hessulf, um estudante de doutorado na Sahlgrenska Academy, University of Gothenburg, e anestesiologista no Sahlgrenska University Hospital/Mölndal.
“Esse apoio à decisão é uma das várias peças de um grande quebra-cabeça: a avaliação geral do paciente pelo médico. Temos muitos fatores diferentes a considerar ao decidir se devemos prosseguir com a ressuscitação cardiopulmonar. É um tratamento altamente exigente que devemos administrar apenas a pacientes que se beneficiarão com isso e poderão, após a internação, levar uma vida de valor para si mesmos”, diz Hessulf.
Essa forma de suporte é baseada em 393 fatores que afetam as chances dos pacientes sobreviverem à parada cardíaca por 30 dias após o evento. A alta precisão do modelo pode ser explicada pelo grande número de casos de pacientes (aproximadamente 55.000) nos quais o algoritmo se baseia e pelo fato de que dez dos quase 400 fatores têm um forte impacto na sobrevida. De longe, o fator mais importante foi se o coração recuperou um ritmo cardíaco viável novamente após a admissão do paciente no departamento de emergência.
Risco de nova parada cardíaca
A segunda ferramenta de apoio à decisão publicada foi apresentada na revista Resuscitation. Esta ferramenta é baseada em dados de pacientes que sobreviveram à parada cardíaca fora do hospital até receberem alta do hospital. Os modelos preditivos são baseados em 886 fatores em 5.098 casos de pacientes do Registro Sueco de Ressuscitação Cardiopulmonar. Esta ferramenta destina-se parcialmente a ajudar os médicos a identificar quais pacientes correm o risco de outra parada cardíaca ou morte dentro de um ano após a alta do hospital após a parada cardíaca. Também visa destacar quais fatores são importantes para a sobrevivência a longo prazo após a parada cardíaca – um aspecto da área de assunto que não foi bem estudado.
“A precisão desta ferramenta é razoavelmente boa. Ela pode prever com cerca de 70% de confiabilidade se o paciente morrerá ou terá outra parada cardíaca dentro de um ano. Como a ferramenta de Fredrik, esta tem a vantagem de que apenas alguns fatores pode prever o resultado quase tão bem quanto o modelo com várias centenas de variáveis”, diz Gustaf Hellsén, o médico pesquisador que desenvolveu esta ferramenta de apoio à decisão.
“Esperamos”, continua, “conseguir desenvolver esse modelo de predição, de modo a aumentar sua precisão. Hoje, ele já pode servir de apoio aos médicos na identificação de fatores importantes para a sobrevida de pacientes com parada cardíaca que devem receber alta hospitalar.”
Com informações de Science Daily.