Notícia

Aprendizado de máquina pode ajudar médicos a selecionar tratamentos menos arriscados em situações urgentes, como no tratamento da sepse

geralt via Pixabay

Fonte

MIT | Instituto de Tecnologia de Massachusetts

Data

quarta-feira, 15 dezembro 2021 06:20

Áreas

Inteligência Artificial. Medicina. Medicina Intensiva.

A sepse ceifa a vida de quase 270.000 pessoas nos EUA a cada ano. A condição médica imprevisível pode progredir rapidamente, levando a uma queda rápida da pressão arterial, danos aos tecidos, falência de múltiplos órgãos e morte.

Intervenções imediatas por profissionais médicos salvam vidas, mas alguns tratamentos de sepse também podem contribuir para a deterioração do paciente, portanto, escolher a terapia ideal pode ser uma tarefa difícil. Por exemplo, nas primeiras horas da sepse grave, a administração de muito líquido por via intravenosa pode aumentar o risco de morte do paciente.

Para ajudar os médicos a evitar medicamentos que podem contribuir potencialmente para a morte de um paciente, pesquisadores do Instituto de Tecnologia de Massachusetts (MIT) e de outras instituições parceiras desenvolveram um modelo de aprendizado de máquina que pode ser usado para identificar tratamentos que apresentam um risco maior do que outras opções. O modelo também pode alertar os médicos quando um paciente em sepse está se aproximando de um ponto de não retorno – o ponto em que o paciente provavelmente morrerá, não importa qual tratamento seja usado – para que eles possam intervir antes que seja tarde demais.

Quando aplicado a um conjunto de dados de pacientes com sepse em uma unidade de terapia intensiva, o modelo dos pesquisadores indicou que cerca de 12% dos tratamentos dados a pacientes que morreram foram prejudiciais. O estudo também revela que cerca de 3% dos pacientes que não sobreviveram entraram em um ponto de não retorno 48 horas antes de morrer.

“Vemos que nosso modelo está quase oito horas à frente do reconhecimento médico da deterioração de um paciente. Isso é poderoso porque nessas situações realmente delicadas, cada minuto conta, e estar ciente de como o paciente está evoluindo e do risco de administrar determinado tratamento a qualquer momento é muito importante ”, disse Taylor Killian, estudante de pós-graduação do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) do MIT.

Participaram da pesquisa a professora Dra. Marzyeh Ghassemi, orientadora de Taylor Killian, chefe do grupo de pesquisa e autora sênior do estudo; o autor principal Dr. Mehdi Fatemi, pesquisador sênior da Microsoft Research; e o Dr. Jayakumar Subramanian, pesquisador sênior da Adobe Índia.

Escassez de dados

O projeto de pesquisa foi estimulado por um estudo de 2019 que explorou o uso de aprendizagem por reforço em situações em que é muito perigoso explorar ações arbitrárias, o que torna difícil gerar dados suficientes para treinar algoritmos de maneira eficaz. Essas situações, em que mais dados não podem ser coletados proativamente, são conhecidas como configurações “offline”.

Na aprendizagem por reforço, o algoritmo é treinado por tentativa e erro e aprende a realizar ações que maximizam seu acúmulo de recompensa. Mas em um ambiente de saúde, é quase impossível gerar dados suficientes para esses modelos aprenderem o tratamento ideal, uma vez que não é ético experimentar possíveis estratégias de tratamento.

Então, os pesquisadores ‘inverteram’ o aprendizado por reforço. Eles usaram os dados limitados de uma UTI de hospital para treinar um modelo de aprendizado de reforço para identificar os tratamentos a serem evitados, com o objetivo de evitar que o paciente entre em um ponto de não retorno. Aprender o que evitar é uma abordagem estatisticamente mais eficiente que requer menos dados, explicou Killian.

Tratamento é importante

Os pesquisadores testaram o modelo usando um conjunto de dados de pacientes presumivelmente em sepse da unidade de terapia intensiva do Beth Israel Deaconess Medical Center. Este conjunto de dados contém cerca de 19.300 admissões com observações tiradas de um período de 72 horas centrado em torno do momento em que os pacientes manifestaram os primeiros sintomas de sepse. Os resultados confirmaram que alguns pacientes no conjunto de dados entraram em pontos de não retorno.

Os pesquisadores também descobriram que 20% a 40% dos pacientes que não sobreviveram levantaram pelo menos uma bandeira amarela antes do óbito, e muitos levantaram essa bandeira pelo menos 48 horas antes de morrer. Os resultados também mostraram que, ao comparar as tendências de pacientes que sobreviveram e pacientes que morreram, uma vez que um paciente levanta sua primeira bandeira, há um desvio muito acentuado no valor dos tratamentos administrados. A janela de tempo em torno do primeiro sinalizador é um ponto crítico ao tomar decisões de tratamento.

“Isso nos ajudou a confirmar que o tratamento é importante e o tratamento varia em termos de como os pacientes sobrevivem e como os pacientes não sobrevivem. Descobrimos que mais de 11% dos tratamentos sub ótimos poderiam ter sido evitados porque havia melhores alternativas disponíveis para os médicos naquele momento. Este é um número bastante substancial quando você considera o volume mundial de pacientes em sepse em hospitais em determinado momento”, disse Killian.

Os pesquisadores destacam que o objetivo do modelo é auxiliar os médicos, e não substituí-los.

No futuro, os pesquisadores também desejam estimar as relações causais entre as decisões de tratamento e a evolução da saúde do paciente. Eles planejam continuar aprimorando o modelo para que ele possa criar estimativas de incerteza em torno dos valores de tratamento que ajudariam os médicos a tomar decisões mais informadas. Outra forma de fornecer validação adicional do modelo seria aplicá-lo a dados de outros hospitais, o que eles esperam fazer no futuro.

Acesse o resumo do artigo na NeurIPS Proceedings (em inglês).

Acesse a notícia completa na página do MIT (em inglês).

Fonte: Adam Zewe, MIT News Office. Imagem: geralt via Pixabay.

Em suas publicações, o Portal Tech4Health da Rede T4H tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal Tech4Health tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.