Robô Laura como preditor de sepse/deterioração clínica em adultos internados
Carregando...
Data
2022
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
Introdução: A alta morbimortalidade da sepse exige uma rápida identificação. O
tempo é um fator determinante e está associado a uma melhor evolução do
quadro e um prognóstico mais favorável. Dessa forma, detectar precocemente ou
predizer a deterioração clínica utilizando Inteligência Artificial (IA) é uma
alternativa para alertar a equipe de profissionais sobre o risco de sepse dos seus
pacientes. Objetivo: Analisar os alarmes críticos preditores de deterioração
clínica/sepse para tomada de decisão clínica nos pacientes internados em
complexo hospitalar de referência. Método: Trata-se de uma coorte retrospectiva.
Foram avaliados os alarmes registrados pelo robô no período de março a
setembro de 2020. A ferramenta de Machine Learning (ML), Robô Laura®, pontua
alterações nos parâmetros vitais e exames laboratoriais. Primeiramente, os dados
foram exportados da plataforma manualmente, tabulados e organizados em
tabelas do programa Microsoft Excel®; após, foi realizada uma pesquisa no
prontuário eletrônico do paciente em busca do tempo de resposta da equipe,
intervenções realizadas, tempo de internação e desfechos. Resultados:
Extraíram-se 122.703 alarmes da plataforma, classificados de 2 até 9. A pré-
seleção dos alarmes críticos (6 a 9) apontou 263 alertas urgentes (0,2%), dos
quais, após o filtro de critérios de exclusão, delimitaram-se 254 alertas para 61
pacientes internados. Todos os alarmes foram respondidos na primeira hora,
conforme preconizado pelo protocolo de sepse institucional, e 82% dos pacientes
receberam alguma intervenção. A mortalidade dos pacientes por sepse foi de
75%, dos quais 52% devido à sepse relacionada ao novo Coronavírus. Após os
alarmes serem atendidos, 82% dos pacientes permaneceram nos setores. Conclusão: Os resultados sugerem que a IA pode sustentar decisões clínicas
assertivas, desde que respeitados alguns pré-requisitos: adaptação dos
protocolos com base nos perfis dos pacientes-alvo e envolvimento da equipe
multiprofissional, com destaque aos enfermeiros, pela presença ininterrupta ao
lado dos pacientes.
Descrição
Tese (Doutorado)-Programa de Pós-Graduação em Patologia, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.
Palavras-chave
Inteligência Artificial, Aprendizado de Máquina, Sepse, Tomada de Decisão Clínica, Inovação, [en] Artificial Intelligence, [en] Machine Learning, [en] Sepsis, [en] Clinical Decision-Making, [en] Creativity