Robô Laura como preditor de sepse/deterioração clínica em adultos internados

Página do item simplificado
dc.contributor.advisorBica, Claudia Giulianopt_BR
dc.contributor.authorScherer, Juliane de Souzapt_BR
dc.date.accessioned2023-01-20T14:13:55Z
dc.date.accessioned2023-10-09T19:00:42Z
dc.date.available2023-01-20T14:13:55Z
dc.date.available2023-10-09T19:00:42Z
dc.date.date-insert2023-01-20
dc.date.issued2022
dc.descriptionTese (Doutorado)-Programa de Pós-Graduação em Patologia, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.pt_BR
dc.description.abstractIntrodução: 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.pt_BR
dc.description.abstract-enIntroduction: Due to the high morbidity and mortality of sepsis, its quick identification is essential. For this, time is a determining factor and is associated with a better clinical course and a more favorable prognosis. Thus, early detection or prediction of clinical deterioration using artificial intelligence (machine learning) is an alternative to alert professional staff about the risk of sepsis of their patients. Objective: To analyze the critical alarms predictors of clinical deterioration/sepsis for clinical decision making in patients admitted to a reference hospital complex. Methods: An observational retrospective cohort study. The alarms recorded by the robot in the period from March to September 2020 in a reference hospital complex were evaluated. The Machine Learning (ML) tool, Robot Laura®, scores changes in vital parameters and lab tests, classifying them by severity. Data collection occurred in two stages: in the first, the data were exported from the platform manually, tabulated and organized in tables of the Microsoft Excel® program; succeeded by the second phase, searched in the patient's electronic medical record in search of the team response time, interventions performed, length of stay and outcomes. Results: A total of 122,703 alarms were extracted from the platform, classified as 2 to 9. The pre-selection of critical alarms (6 to 9) indicated 263 urgent alerts (0.2%), from which, after filtering exclusion criteria, 254 alerts were delimited for 61 inpatients. Patient mortality from sepsis was 75%, of which 52% was due to sepsis related to the new coronavirus. After the alarms were answered, 82% of the patients remained in the sectors. Conclusion: Far beyond technology, ML models can speed up assertive clinical decisions by nurses, optimizing time and specialized human resources.pt_BR
dc.identifier.urihttps://repositorio.ufcspa.edu.br/handle/123456789/1941
dc.language.isopt_BRpt_BR
dc.relation.requiresTEXTO - Adobe Readerpt_BR
dc.rightsAcesso Aberto Imediatopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/br/*
dc.subjectInteligência Artificialpt_BR
dc.subjectAprendizado de Máquinapt_BR
dc.subjectSepsept_BR
dc.subjectTomada de Decisão Clínicapt_BR
dc.subjectInovaçãopt_BR
dc.subject[en] Artificial Intelligencept_BR
dc.subject[en] Machine Learningpt_BR
dc.subject[en] Sepsispt_BR
dc.subject[en] Clinical Decision-Makingpt_BR
dc.subject[en] Creativitypt_BR
dc.titleRobô Laura como preditor de sepse/deterioração clínica em adultos internadospt_BR
dc.typeTesept_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
[TESE] Scherer, Juliane de Souza (C).pdf
Tamanho:
2.44 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo
Baixar
Coleções
PPGPAT - Teses