Programas de aprendizado de máquina prevêem o risco de morte com base nos resultados de testes hospitalares de rotina

Jun 18, 2023

Resumo: Usando dados de ECG, um novo algoritmo de aprendizado de máquina foi capaz de prever a morte dentro de 5 anos após a internação de um paciente no hospital com 87% de precisão. A IA foi capaz de classificar os pacientes em 5 categorias, variando de baixo a alto risco de morte.

Fonte:Universidade de Alberta

Se você já foi internado em um hospital ou visitou um pronto-socorro, provavelmente já fez um eletrocardiograma, ou ECG, um teste padrão que envolve pequenos eletrodos colados no peito que verificam o ritmo cardíaco e a atividade elétrica.

Os ECGs hospitalares geralmente são lidos por um médico ou enfermeira ao lado do leito, mas agora os pesquisadores estão usando inteligência artificial para obter ainda mais informações desses resultados para melhorar seu atendimento e o sistema de saúde de uma só vez.

Em descobertas publicadas recentemente, a equipe de pesquisa construiu e treinou programas de aprendizado de máquina com base em 1,6 milhão de ECGs feitos em 244.077 pacientes no norte de Alberta entre 2007 e 2020.

O algoritmo previu o risco de morte a partir desse ponto para cada paciente por todas as causas dentro de um mês, um ano e cinco anos com uma taxa de precisão de 85%, classificando os pacientes em cinco categorias, do menor ao maior risco.

As previsões foram ainda mais precisas quando informações demográficas (idade e sexo) e seis resultados de exames de sangue padrão de laboratório foram incluídos.

O estudo é uma prova de conceito para usar dados coletados rotineiramente para melhorar o atendimento individual e permitir que o sistema de saúde "aprenda" à medida que avança, de acordo com a investigadora principal Padma Kaul, professora de medicina e codiretora do Canadian Centro VIGOR.

"Queríamos saber se poderíamos usar novos métodos, como inteligência artificial e aprendizado de máquina, para analisar os dados e identificar pacientes com maior risco de mortalidade", explica Kaul.

“Essas descobertas ilustram como os modelos de aprendizado de máquina podem ser empregados para converter dados coletados rotineiramente na prática clínica em conhecimento que pode ser usado para aumentar a tomada de decisões no ponto de atendimento como parte de um sistema de saúde de aprendizado”.

Um médico solicitará um eletrocardiograma se você tiver pressão alta ou sintomas de doença cardíaca, como dor no peito, falta de ar ou batimentos cardíacos irregulares. A primeira fase do estudo examinou os resultados do ECG em todos os pacientes, mas Kaul e sua equipe esperam refinar esses modelos para subgrupos específicos de pacientes.

Eles também planejam focar as previsões além da mortalidade por todas as causas para examinar especificamente as causas de morte relacionadas ao coração.

"Queremos pegar os dados gerados pelo sistema de saúde, convertê-los em conhecimento e alimentá-los de volta ao sistema para que possamos melhorar o atendimento e os resultados. Essa é a definição de um sistema de saúde de aprendizagem".

Autor:Ross NeitzFonte:Universidade de AlbertaContato:Ross Neitz – Universidade de AlbertaImagem:A imagem é de domínio público

Pesquisa original: Acesso aberto."Rumo a um sistema de saúde de aprendizado baseado em inteligência artificial para previsão de mortalidade em nível populacional usando eletrocardiogramas" por Padma Kaul et al. npj medicina digital

Abstrato

Rumo a um sistema de saúde de aprendizado baseado em inteligência artificial para previsão de mortalidade em nível populacional usando eletrocardiogramas

A viabilidade e o valor de vincular dados de eletrocardiograma (ECG) a dados de saúde administrativos longitudinais em nível populacional para facilitar o desenvolvimento de um sistema de saúde de aprendizado não foram totalmente explorados. Desenvolvemos modelos de aprendizado de máquina baseados em ECG para prever o risco de mortalidade entre pacientes que se apresentam a um departamento de emergência ou hospital por qualquer motivo.

Usando os traçados de ECG de 12 derivações e medições de 1.605.268 ECGs de 748.773 episódios de saúde de 244.077 pacientes (2007–2020) em Alberta, Canadá, desenvolvemos e validamos o Deep Learning (DL) baseado em ResNet e o XGBoost baseado em aumento de gradiente (XGB) modelos para prever mortalidade em 30 dias, 1 ano e 5 anos. Os modelos de mortalidade de 30 dias, 1 ano e 5 anos foram treinados em 146.173, 141.072 e 111.020 pacientes e avaliados em 97.144, 89.379 e 55.650 pacientes, respectivamente. Na coorte de avaliação, 7,6%, 17,3% e 32,9% dos pacientes morreram em 30 dias, 1 ano e 5 anos, respectivamente.