O modelo de aprendizado de máquina prevê com precisão o AVC usando dados existentes

Jan 17, 2024

O AVC pode ser difícil de diagnosticar, pois os pacientes nem sempre apresentam sintomas clássicos e outras condições podem imitá-lo. Os pesquisadores usaram os dados existentes para desenvolver um modelo de aprendizado de máquina que prevê com precisão o AVC e pode facilitar o diagnóstico.

Os erros de diagnóstico representam um grande problema de saúde pública e contribuem para danos evitáveis ​​ao paciente e gastos excessivos com a saúde. Mortes evitáveis ​​por acidente vascular cerebral devido a erros de diagnóstico são 30 vezes mais comuns do que ataques cardíacos mal diagnosticados.

O AVC pode ser particularmente difícil de diagnosticar, pois seus sinais e sintomas podem ser imitados por outras condições, como convulsões, enxaquecas, distúrbios psiquiátricos e intoxicação por drogas e álcool. Além disso, os acidentes vasculares cerebrais podem apresentar sintomas atípicos. Aproximadamente 25% dos pacientes com AVC não apresentam os problemas habituais de fala, queda facial e fraqueza nos membros, complicando ainda mais a capacidade do profissional de saúde de fazer um diagnóstico preciso.

Pesquisadores das universidades Carnegie Mellon, Florida International e Santa Clara desenvolveram uma ferramenta de triagem automatizada usando tecnologia de aprendizado de máquina para eliminar algumas das suposições do diagnóstico de AVC.

“Métodos de aprendizado de máquina têm sido usados ​​para ajudar a detectar AVC, interpretando dados detalhados, como notas clínicas e resultados de diagnóstico por imagem”, disse Rema Padman, autor correspondente do estudo. “Mas essas informações podem não estar prontamente disponíveis quando os pacientes são inicialmente triados nos departamentos de emergência do hospital, especialmente em comunidades rurais e carentes”.

Para desenvolver seu algoritmo de previsão de AVC, os pesquisadores usaram mais de 143.000 registros individuais de pacientes de internações em hospitais de cuidados intensivos da Flórida entre 2012 e 2014. Eles também incorporaram dados da American Community Survey conduzida pelo US Census Bureau, que incluiu dados demográficos como idade , gênero, raça e condições médicas existentes.

O modelo de aprendizado de máquina previu o AVC com 84% de precisão. Também foi altamente sensível, superando os modelos de diagnóstico existentes, que tendem a perder até 30% dos acidentes vasculares cerebrais.

"A sensibilidade moderada dos modelos existentes levanta preocupações de que eles percam uma porcentagem substancial de pessoas com derrame", disse Min Chen, principal autor do estudo. “Em hospitais com escassez de recursos médicos e equipe clínica, nosso algoritmo pode complementar os modelos atuais para ajudar a priorizar rapidamente os pacientes para a intervenção apropriada”.

As descobertas do estudo sugerem que esse modelo de aprendizado de máquina pode prever com precisão a probabilidade de uma pessoa ter tido ou estar tendo um derrame antes de obter a confirmação por meio de diagnóstico por imagem ou exames laboratoriais.

“Como nosso modelo não requer notas clínicas ou resultados de testes diagnósticos, pode ser particularmente útil para enfrentar os desafios de diagnósticos incorretos ao lidar com pacientes com AVC com sintomas mais leves e atípicos”, disse Xuan Tan, coautor do estudo. estudar. “Também pode ser útil em departamentos de emergência de centros de baixo volume ou sem AVC, onde os profissionais têm exposição diária limitada a AVC e em áreas rurais com disponibilidade limitada de ferramentas de diagnóstico sensíveis”.

Mas os pesquisadores apontam que seu algoritmo não pretende ser um modelo autônomo; deve ser usado em conjunto com os modelos existentes de diagnóstico de AVC.

Os pesquisadores recomendam que seu algoritmo de previsão de AVC seja incorporado a uma ferramenta de triagem automatizada e assistida por computador, acessível no momento da admissão no hospital.

O estudo foi publicado no Journal of Medical Internet Research.

Fonte: Carnegie Mellon University