p Pesquisadores da ETH Zurich estão aplicando aprendizado de máquina em unidades de terapia intensiva para distinguir entre alarmes falsos e aqueles que sinalizam problemas médicos reais. p Bip, bip, bip. Em unidades de terapia intensiva (UTI), algum dispositivo de monitoramento ou outro está sempre soando o alarme. Seja um paciente com nível de oxigênio no sangue muito baixo, alguém na cama ao lado, cuja pressão intracraniana está aumentando, ou outra pessoa cuja pressão arterial caiu vertiginosamente. Ou talvez apenas porque um paciente mudou de posição na cama.

p Alarmes falsos como este último são muito comuns. Eles utilizam o valioso tempo da equipe médica e aumentam o risco de que alarmes reais sejam perdidos na enxurrada de alarmes falsos. Isso significa que é do interesse das enfermeiras e dos médicos reduzir significativamente o número de alarmes falsos. Trabalhando com cientistas da Unidade de Tratamento Neurocrítico do Hospital Universitário de Zurique, pesquisadores da ETH Zurich desenvolveram agora um método de aprendizado de máquina que visa atingir exatamente isso.

p Combinando dados

p Como parte de um estudo de viabilidade dentro de um projeto de ciência de dados chamado ICU Cockpit, os pesquisadores fizeram uso de registros abrangentes de dados de terapia intensiva. Com o consentimento dos pacientes, seus sinais vitais são sistematicamente armazenados em alta resolução temporal junto com quaisquer alarmes que possam ter soado.

p Como é geralmente o caso em UTIs, os vários dispositivos para monitoramento circulatório, ventilação artificial e monitoramento cerebral funcionam independentemente um do outro. Consequentemente, cada dispositivo soa seu próprio alarme sempre que suas leituras vão acima ou abaixo de um certo valor limite. Os pesquisadores combinaram e sincronizaram os dados desses vários dispositivos e, em seguida, aplicaram novas técnicas de aprendizado de máquina para identificar quais alarmes eram irrelevantes do ponto de vista médico.

p O computador faz o trabalho braçal dos médicos

p "Usualmente, antes que um computador comece a aprender, os seres humanos primeiro precisam ter categorizado um certo número de alarmes como relevantes ou não relevantes, "explica Walter Karlen, Professor de Sistemas Móveis de Saúde na ETH Zurique. "Os sistemas de computador podem então usar essas informações para entender o princípio por trás da classificação e, por fim, categorizar os próprios alarmes."

p Contudo, ter alguém para classificar alarmes em terapia intensiva é uma tarefa sem fim, não só porque tem que ser feito para cada paciente individualmente. Adicionalmente, a equipe médica que trata de pacientes em terapia intensiva também não teria tempo para ensinar um computador.

p Funciona mesmo com dados fragmentados

p Isso significa que o sistema ideal para implantação em uma UTI seria aquele que pudesse aprender sozinho, mesmo que os enfermeiros ou médicos tenham classificado apenas um pequeno número de alarmes. É aqui que o método de aprendizado de máquina que Karlen e seus colegas desenvolveram realmente se destaca.

p Os cientistas testaram seu método usando um pequeno conjunto de dados da unidade de tratamento neurocrítico de Zurique:registros dos sinais vitais e alarmes para 14 pacientes durante um período de vários dias. Na média, os dispositivos médicos soaram o alarme quase 700 vezes por paciente por dia; em outras palavras, a cada dois minutos. Embora apenas 1, 800 (13 por cento) do total do conjunto de dados de 14, 000 alarmes foram classificados manualmente, o algoritmo foi, no entanto, capaz de categorizar os alarmes restantes como reais ou falsos. Se os cientistas permitissem que o sistema tivesse uma taxa de erro de 5 por cento, reduziu o número de alarmes falsos em 77 por cento.

p Os cientistas também conseguiram demonstrar que o método funciona mesmo com um grau significativamente menor de ajuda manual:bastou 25 ou 50 classificações manuais para que o sistema sinalizasse um grande número de alarmes como falsos. Os cientistas também mostraram que, principalmente em situações em que houve muito pouca ajuda manual, o novo método é muito mais eficaz do que os métodos de aprendizado de máquina existentes.

p Este projeto analisou dados clínicos retrospectivamente. Os pesquisadores agora estão considerando se devem estudar a eficácia de seu algoritmo usando um estudo clínico prospectivo.