Novo Sistema para Monitorar Falência Respiratória em UTIs

A falência respiratória (FR) é uma condição séria que geralmente afeta pacientes em unidades de terapia intensiva (UTIs). Ela pode levar a complicações graves e até morte. Os médicos usam uma medição chamada a razão P/F (PaO2/FiO2) para determinar a gravidade da FR. Se essa razão estiver abaixo de 200 mmHg, indica FR moderada, e se estiver abaixo de 100 mmHg, sinaliza FR severa.

Ao tratar pacientes com FR, os profissionais de saúde precisam avaliar bem a condição do paciente. Eles devem identificar a FR, decidir se a Ventilação Mecânica é necessária, monitorar a função pulmonar do paciente, determinar quando parar a ventilação mecânica e avaliar o risco de complicações depois que o paciente é retirado do ventilador.

Para tomar as melhores decisões clínicas, os médicos precisam monitorar continuamente o paciente e prever como a condição dele vai evoluir. Em UTIs movimentadas, os médicos costumam contar com dados de vários sistemas de monitoramento, que podem ser sobrecarregantes devido à quantidade de informação. Isso pode dificultar a atenção a detalhes importantes, o que pode levar a resultados piores para os pacientes e maior uso de recursos da UTI.

Felizmente, algoritmos de aprendizado de máquina (AM) podem ajudar a gerenciar essa grande quantidade de dados. Esses algoritmos podem criar sistemas de suporte à decisão para várias condições médicas, incluindo a FR. O objetivo é desenvolver um sistema que simplifique o monitoramento, acelere o tratamento dos pacientes e otimize o uso dos recursos da UTI.

#Um Novo Sistema de Monitoramento Respiratório

Estamos trabalhando em um novo Sistema de Monitoramento Respiratório (SMR) baseado em aprendizado de máquina. Este sistema visa prever o risco de FR e a necessidade de ventilação mecânica para pacientes individuais. Ele irá acompanhar continuamente as mudanças na condição respiratória do paciente e prever a probabilidade de os pacientes serem retirados do ventilador com sucesso.

O SMR também ajudará a gerenciar os recursos da UTI, usando previsões respiratórias de todos os pacientes na UTI para estimar quantos precisarão de ventilação mecânica no futuro.

Para construir esse sistema, estamos usando dados de um grande conjunto de dados da UTI chamado HiRID-II. Este conjunto inclui informações de mais de 55.000 internações na UTI na Suíça. Vamos validar nossos modelos usando um banco de dados separado do Amsterdam University Medical Center.

Acreditamos que nosso SMR pode fornecer previsões precisas e antecipadas de eventos respiratórios para pacientes individuais e ajudar a estimar o número de recursos da UTI necessários para o cuidado dos pacientes.

#Preparando o Conjunto de Dados HiRID

O conjunto de dados HiRID-II é uma versão atualizada de um conjunto anterior, o HiRID-I. O novo conjunto tem 60% mais internações na UTI e inclui uma gama mais ampla de dados clínicos. Também tomamos medidas para proteger a privacidade dos pacientes, anonimizando os dados. Para isso, alteramos fatores como idade e datas de internação. Dividimos o conjunto de dados em seções para permitir futuras avaliações enquanto mantemos a anonimidade dos pacientes.

A análise inicial desse conjunto mostra fortes ligações entre FR, falência na extubação e mortalidade na UTI. Isso apoia nosso objetivo de desenvolver um sistema de monitoramento respiratório.

#Monitoramento Contínuo da Saúde Respiratória

Um foco chave do SMR é estimar continuamente o nível de oxigênio no sangue de um paciente, conhecido como PaO2. Isso é crucial para avaliar o estado respiratório do paciente. Enquanto medir PaO2 requer amostras de sangue, a Saturação de Oxigênio (SpO2) pode ser monitorada continuamente usando um dispositivo chamado oxímetro de pulso. Há uma forte correlação entre SpO2 e PaO2, o que nos permite usar leituras de SpO2 para estimar os níveis de PaO2 sem procedimentos invasivos.

Desenvolvemos um algoritmo que pode pegar SpO2 e outros dados relevantes para fornecer estimativas contínuas de PaO2 a cada cinco minutos. Essa abordagem funciona melhor do que os métodos tradicionais de estimar PaO2 a partir de medições não invasivas.

#Acompanhando as Condições dos Pacientes

O SMR também irá monitorar o risco de um paciente desenvolver FR nas próximas 24 horas. A cada cinco minutos, o sistema irá produzir uma pontuação de risco, determinando se um paciente está com FR, em ventilação mecânica ou pronto para ser retirado do ventilador.

Para avaliar a prontidão de um paciente para a extubação, usaremos um sistema de pontuação clínica. Se um paciente não estiver com FR, mas desenvolver nos próximos 24 horas, isso será marcado com um rótulo positivo. Se o paciente permanecer estável, isso receberá um rótulo negativo.

No conjunto de dados HiRID-II, um número significativo de pacientes teve eventos de FR e precisou de ventilação mecânica. Também estamos trabalhando para acompanhar o número de pacientes na UTI e sua necessidade de ventiladores.

#Construindo os Modelos de Previsão do SMR

O SMR é composto por quatro modelos preditivos distintos que abordam diferentes aspectos da gestão respiratória. Cada modelo é construído usando dados clínicos, e usamos técnicas de aprendizado de máquina para fazer previsões sobre FR, falência na extubação, necessidade de ventilação e prontidão para extubar.

Descobrimos que nossos modelos mostram um desempenho impressionante na previsão desses eventos. O SMR será capaz de disparar alarmes quando condições de alto risco forem detectadas e alertar a equipe de saúde, minimizando a fadiga de alarmes.

#Validando as Previsões

Nossas previsões mostraram boa precisão em conjuntos de dados internos. No entanto, também testamos como o modelo se comporta quando aplicado a conjuntos de dados externos. Isso é crítico porque mostra como nossos modelos podem funcionar em diferentes ambientes hospitalares.

Embora alguns desafios ainda existam, como diferenças em políticas e práticas médicas, acreditamos que nosso modelo pode funcionar efetivamente em várias condições sem depender de informações específicas sobre medicação que variam de uma instituição para outra.

#Gerenciando Recursos da UTI

O SMR vai além do monitoramento de pacientes individuais; ele também auxilia na gestão de recursos em nível de UTI. Ao integrar previsões de todos os pacientes na UTI, o sistema pode prever futuras necessidades de ventiladores.

Isso é especialmente valioso, já que a demanda por ventiladores pode mudar significativamente ao longo do tempo. Ao fornecer previsões precisas, o SMR ajuda a garantir que os recursos da UTI sejam alocados de maneira eficiente, o que é especialmente importante em períodos de alta demanda.

#Compreendendo os Estados dos Pacientes

Para visualizar os dados dos pacientes e entender diferentes estados dos pacientes, usamos um método chamado t-distributed Stochastic Neighbor Embedding (t-SNE). Essa técnica ajuda a identificar padrões nos dados e permite que os profissionais de saúde vejam como os pacientes estão categorizados com base em suas condições respiratórias.

Por meio dessa análise, podemos diferenciar entre estados ventilados e não ventilados, bem como reconhecer pacientes que estão prontos para serem extubados. Notavelmente, existem conexões claras entre vários estados da função respiratória e os resultados dos pacientes.

#Aplicando o SMR

O SMR mostra potencial para melhorar os cuidados nas UTIs. Por exemplo, a previsão antecipada de FR permite que as equipes de saúde tomem ações pontuais, evitando complicações adicionais. Nosso sistema visa minimizar alarmes falsos, garantindo que as equipes de saúde não fiquem sobrecarregadas com notificações quando os pacientes estão estáveis.

O SMR foi projetado para reunir dados de vários parâmetros, usando esses insights para fornecer alertas personalizados que aprimoram a tomada de decisões clínicas. Espera-se que esse conhecimento melhore os resultados dos pacientes, além de gerenciar efetivamente a carga de trabalho da equipe da UTI.

#Avançando

Embora nosso estudo forneça uma visão abrangente do potencial de um novo sistema de monitoramento, ainda existem limitações a serem consideradas. Por exemplo, nossas descobertas são baseadas em dados históricos, e precisamos ver como nosso modelo se comporta em situações clínicas em tempo real.

À medida que trabalhamos para implementar o SMR em ambientes de saúde ativos, realizaremos mais estudos para avaliar sua eficácia na melhoria do cuidado ao paciente. Isso inclui explorar como o sistema pode se integrar aos fluxos de trabalho existentes e como pode ser refinado com base em feedback contínuo e novos desenvolvimentos de pesquisa.

O objetivo final é criar um robusto sistema de monitoramento respiratório que possa beneficiar significativamente os pacientes da UTI, a equipe de saúde e a gestão dos recursos hospitalares.

#Conclusão

Em resumo, o SMR representa um avanço significativo na gestão da falência respiratória em pacientes da UTI. Ao usar aprendizado de máquina para prever eventos respiratórios críticos, o sistema tem o potencial de aprimorar os cuidados com os pacientes e otimizar a alocação de recursos da UTI.

À medida que continuamos nossos esforços de pesquisa e validação, estamos esperançosos de que o SMR levará a melhores resultados clínicos e um uso mais eficiente dos recursos de saúde no futuro. A integração dessa tecnologia na prática clínica pode, de fato, mudar o cenário da gestão de cuidados intensivos, especialmente para pacientes com problemas respiratórios.