Os médicos em unidades de terapia intensiva enfrentam um dilema contínuo:cada exame de sangue que eles pedem pode fornecer informações críticas, mas também adiciona custos e riscos para os pacientes. Para enfrentar este 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 de solicitar testes de laboratório para pacientes específicos.

Usando dados de mais de 6, 000 pacientes, os alunos de 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.

A análise se concentrou em quatro exames de sangue que medem o lactato, creatinina, nitrogênio da uréia no sangue e glóbulos brancos. Esses indicadores são usados ​​para diagnosticar dois problemas perigosos para pacientes de UTI:insuficiência renal ou uma infecção sistêmica chamada sepse.

"Já que um de nossos objetivos era pensar se poderíamos reduzir o número de testes de laboratório, começamos a olhar para os painéis [de teste de sangue] que são mais solicitados, "disse Cheng, co-autor principal do estudo junto com Prasad.

Os pesquisadores trabalharam com o banco de dados MIMIC III, que inclui registros detalhados de 58, 000 admissões para cuidados intensivos no Beth Israel Deaconess Medical Center em Boston. Para o estudo, os pesquisadores selecionaram um subconjunto de 6, 060 prontuários de adultos que permaneceram na UTI entre um e 20 dias e tiveram medidas de sinais vitais comuns e exames laboratoriais.

"Esses dados médicos, na escala de que estamos falando, basicamente tornou-se disponível nos últimos um ou dois anos, de forma que possamos analisá-los com métodos de aprendizado de máquina, "disse Engelhardt, o autor sênior do estudo. "Isso é super empolgante, e uma ótima oportunidade. "

O algoritmo da equipe usa uma "função de recompensa" que incentiva um pedido de teste com base em quão informativo o teste é em um determinado momento. Isso é, há maior recompensa em administrar um teste se houver uma probabilidade maior de que o estado de um paciente seja significativamente diferente da última medição, e se o resultado do teste provavelmente sugerir uma intervenção clínica, como iniciar antibióticos ou auxiliar na respiração por meio de ventilação mecânica. Ao mesmo tempo, a função adiciona uma penalidade para o custo monetário do teste e risco para o paciente. Prasad observou que, dependendo da situação, um médico pode decidir priorizar um desses componentes em detrimento de outros.

Esta abordagem, conhecido como aprendizado por reforço, visa recomendar decisões que maximizem a função de recompensa. Isso trata a questão dos testes médicos "como o problema de tomada de decisão sequencial que é, onde você contabiliza todas as decisões e todos os estados que viu no período anterior e decide o que deve fazer no momento para maximizar as recompensas de longo prazo para o paciente, "explicou Prasad, um estudante de graduação em ciência da computação.

Classificar essas informações em tempo hábil para um ambiente clínico requer considerável poder de computação, disse Engelhardt, um membro do corpo docente associado do Instituto de Ciência e Engenharia Computacional de Princeton (PICSciE). Cheng, um estudante de graduação em engenharia elétrica, trabalhou com seu co-consultor Kai Li, o Professor Paul M. e Marcia R. Wythes em Ciência da Computação, para executar os cálculos da equipe usando recursos PICSciE.

Para testar a utilidade da política de teste de laboratório que desenvolveram, os pesquisadores compararam os valores da função de recompensa que teriam resultado da aplicação de sua política aos regimes de teste que foram realmente usados ​​para o 6, 060 pacientes no conjunto de dados de treinamento, que foram admitidos na UTI entre 2001 e 2012. Eles também compararam esses valores com aqueles que teriam resultado de políticas de testes laboratoriais aleatórios.

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; isso pode ser explicado pela frequência relativamente baixa de pedidos de teste de lactato, levando a um alto grau de variação na informatividade do teste.

Geral, a análise dos pesquisadores mostrou que sua política otimizada teria rendido mais informações do que o regime de teste real que os médicos seguiram. O uso do algoritmo poderia ter reduzido o número de pedidos de exames laboratoriais em até 44% no caso de exames de glóbulos brancos. Eles também mostraram que essa abordagem teria ajudado a informar os médicos para intervir às vezes horas antes, quando a condição do paciente começava a piorar.

"Com a política de pedido de teste de laboratório desenvolvida por este método, conseguimos solicitar laboratórios para determinar se a saúde do paciente estava degradada o suficiente para precisar de tratamento, na média, quatro horas antes de o médico realmente iniciar o tratamento com base nos laboratórios solicitados pelo médico, "disse Engelhardt.

"Há uma escassez de diretrizes baseadas em evidências em cuidados intensivos em relação à frequência adequada de medições laboratoriais, "disse Shamim Nemati, um professor assistente de informática biomédica na Emory University que não estava envolvido no estudo. "Abordagens baseadas em dados, como a proposta por Cheng e co-autores, quando combinado com uma visão mais profunda do fluxo de trabalho clínico, têm o potencial de reduzir a carga de gráficos e o custo de testes excessivos, e melhorar a consciência situacional e os resultados. "

O grupo de Engelhardt está colaborando com cientistas de dados da equipe de saúde preditiva da Penn Medicine para introduzir esta política na clínica nos próximos anos. Esses esforços visam "dar aos médicos os superpoderes que outras pessoas em outras áreas estão recebendo, "disse o cientista de dados sênior da Penn, Corey Chivers." Ter acesso ao aprendizado de máquina, inteligência artificial e modelagem estatística com grandes quantidades de dados "ajudarão os médicos" a tomar melhores decisões, e, finalmente, melhorar os resultados do paciente, " ele adicionou.

"Esta é uma das primeiras vezes que poderemos usar essa abordagem de aprendizado de máquina e colocá-la na UTI, ou em um ambiente de internação hospitalar, e aconselhar os cuidadores de forma que os pacientes não corram risco, "disse Engelhardt." Isso é realmente algo novo. "

Este trabalho foi financiado pelo Helen Shipley Hunt Fund, que apóia pesquisas destinadas a melhorar a saúde humana; e o Fundo Eric e Wendy Schmidt para Inovação Estratégica, que apóia a pesquisa em inteligência artificial e aprendizado de máquina.