Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

O algoritmo da inteligência artificial pode identificar pacientes no risco elevado de auto-dano intencional

De acordo com a fundação americana para a prevenção do suicídio, o suicídio é a 10o causa de morte principal nos E.U., com sobre as 1,4 milhão tentativas do suicídio gravadas em 2018.

Embora os tratamentos eficazes estejam disponíveis para aqueles em risco, os clínicos não têm uma maneira segura de prever que pacientes são prováveis fazer uma tentativa do suicídio.

Os pesquisadores na universidade de South Carolina médica e de University of South Florida relatam na informática médica de JMIR que tomaram etapas importantes para o endereçamento do problema criando um algoritmo da inteligência artificial que possa automaticamente identificar pacientes no risco elevado de auto-dano intencional, com base na informação nas notas clínicas no registo de saúde eletrônico.

O estudo foi conduzido pelo Jihad Obeid, M.D., co-director do centro biomedicável da informática de MUSC, e Brian Bunnell, Ph.D., anteriormente em MUSC e actualmente em um professor adjunto no departamento do psiquiatria e de neurociência comportáveis em University of South Florida.

A equipe usou as redes neurais artificiais complexas, um formulário da inteligência artificial igualmente conhecido como profundamente aprendendo, analisar dados não organizados, textuais no registo de saúde eletrônico. Os métodos de aprendizagem profundos usam progressivamente camadas de redes artificiais para extrair uma informação mais alta dos dados de entrada crus.

A equipe mostrou que estes modelos, uma vez que treinados, poderiam identificar pacientes em risco do auto-dano intencional.

Este tipo do trabalho é importante porque leverages as tecnologias as mais atrasadas para endereçar um problema importante como o suicídio e identifica pacientes em risco de modo que possam ser referidos a gestão apropriada.”

Jihad Obeid, DM, co-director do centro biomedicável da informática de MUSC, e Brian Bunnell, professor adjunto, departamento do psiquiatria e neurociência comportáveis, University of South Florida

Até aqui, os pesquisadores confiaram primeiramente em dados estruturados no registo de saúde eletrônico para a identificação e a previsão dos pacientes em risco. Os dados estruturados referem a informação tabulada que foi incorporada em campos designados no registo de saúde eletrônico como parte do cuidado clínico.

Por exemplo, quando os médicos diagnosticam pacientes e atribuem a classificação internacional de códigos da doença (ICD), estão criando dados estruturados. Isto meio tabulado, dados estruturados é fácil para que os programas informáticos analisem.

Contudo, 80% a 90% da informação pertinente no registo de saúde eletrônico é prendido no formato de texto. Ou seja as notas clínicas, os relatórios de progresso, as notas do plano--cuidado e outros textos narrativos no registo de saúde eletrônico representam um recurso não furado enorme para a pesquisa.

O estudo de Obeid é original porque usa notas clínicas “lidas” neurais profundas das redes no registo de saúde eletrônico e identifica e prevê pacientes em risco do auto-dano.

Após éticas reguladoras reveja e a aprovação da pesquisa propor pela comissão de revisão institucional em MUSC, Obeid começou identificando os registros pacientes associados com os códigos de ICD indicativos do auto-dano intencional no armazém de dados da pesquisa de MUSC.

Esse armazém, que foi criado com o apoio do instituto de investigação clínico & Translational de South Carolina, fornece pesquisadores de MUSC alcança aos dados eletrônicos pacientes do registo de saúde, desde que obtiveram as permissões necessárias.

A fim simular uma encenação do real-mundo, Obeid e sua equipe dividiram os registros clínicos em duas categorias do tempo: 2012 a 2017 registros que foram usados treinando os modelos e 2018-2019 registros que foram usados testando os modelos treinados. Primeiramente, olharam as notas clínicas tomadas durante a visita do hospital em que o código de ICD foi atribuído.

Usando isso como a série de dados do treinamento, os modelos “aprenderam” que os testes padrões da língua nas notas clínicas dos informes médicos eletrônicos dos pacientes foram associados com a atribuição de um código de ICD do auto-dano intencional. Uma vez que os modelos foram treinados, poderiam identificar aqueles pacientes baseados unicamente em sua análise do texto nas notas clínicas, com uma precisão de 98,5%. Os peritos reviram manualmente um subconjunto dos registros para confirmar a precisão do modelo.

Em seguida, a equipe testou se o mais exacto dos modelos poderia usar notas clínicas no registo de saúde eletrônico para prever o auto-dano futuro.

Com tal fim, a equipe de Obeid identificou os registros dos pacientes que tinham apresentado com auto-dano intencional e tinham treinado o modelo usando suas notas clínicas entre seis meses a um mês antes da visita intencional do hospital do auto-dano.

Testaram então se os modelos treinados poderiam correctamente prever se estes pacientes apresentariam mais tarde com auto-dano intencional.

O auto-dano futuro de predição baseado unicamente em notas clínicas provou ser mais desafiante do que identificando os pacientes da corrente em risco devido ao “ruído extra” que é introduzido quando as vastas quantidades de história paciente são incluídas no modelo.

As notas clínicas históricas tendem a ser variadas e não sempre relevante. Por exemplo, se um paciente foi visto para a depressão ou outros problemas de saúde mentais seis meses antes de sua visita do hospital para o auto-dano intencional, a seguir as notas clínicas eram provável incluir a informação relevante.

Contudo, se o paciente entrou para uma circunstância não relacionada à saúde mental, a seguir as notas eram menos provável incluir a informação relevante.

Quando a inclusão da informação irrelevante introduzir muito ruído na análise de dados, toda esta informação deve ser incluída através dos pacientes nos modelos prever resultados. Em conseqüência, o modelo era menos exacto em prever que pacientes apresentariam mais tarde para o auto-dano intencional do que simplesmente classificando pacientes actuais para o risco do suicídio.

Todavia, a precisão com carácter de previsão deste modelo era muito competitiva com a aquela relatada previamente para os modelos que confiaram nos dados estruturados, alcançando uma precisão de quase 80% com sensibilidade e precisão relativamente altas.

A equipe de Obeid mostrou a possibilidade de usar modelos profundamente de aprendizagem para identificar pacientes em risco do auto-dano intencional baseado em notas clínicas apenas. O estudo igualmente mostrou que os modelos podem ser usados para prever, com fidelidade razoavelmente boa, que pacientes apresentarão no futuro para o auto-dano intencional baseado em notas clínicas em seu registo de saúde eletrônico.

Estes resultados adiantados são prometedores e poderiam ter grandes impactos a nível clínico. Se os modelos de aprendizagem profundos podem ser usados para prever que pacientes estão em de alto risco para o suicídio baseado em notas clínicas, a seguir os clínicos podem consultar pacientes de alto risco cedo para o tratamento apropriado.

Usando estes modelos para classificar pacientes como em risco do auto-dano poderia igualmente facilitar o registro em estudos e em experimentações clínicos dos tratamentos novos potenciais relevantes ao suicídio.

Nos estudos futuros, Obeid aponta avaliar mudanças no indicador com carácter de previsão do tempo para seus modelos, por exemplo, olhando registros um ano antes da apresentação de um paciente para o auto-dano intencional em vez de seis meses.

A equipe igualmente pretende examinar outros resultados tais como o suicídio ou a ideação suicida. E quando os modelos trabalharem bem em MUSC, Obeid deve agora mostrar que podem ser generalizados a outras instituições.

“Podem os modelos ser treinados em um lugar e ser transferidos a um outro lugar e ainda trabalhar?” Obeid pedido. “Se a resposta é sim, a seguir esta salvar recursos críticos porque outras instituições não terão que executar as revisões manuais caras e demoradas da carta para confirmar que os modelos estão obtendo direito durante os períodos de treinamento.”

Source:
Journal reference:

Obeid, J. S., et al. (2020) Identifying and Predicting Intentional Self-Harm in Electronic Health Record Clinical Notes: Deep Learning Approach. JMIR Medical Informatics.
doi.org/10.2196/17784.