Avanços na Automação de Aprendizado em EHR para o Atendimento ao Paciente
Usando tecnologia pra analisar dados dos pacientes e melhorar os resultados de saúde.
― 7 min ler
Índice
Hoje em dia, usar tecnologia pra ajudar no aprendizado na área da saúde é super importante. Um jeito de fazer isso é analisando os dados dos pacientes que estão nos prontuários eletrônicos de saúde (EHR). Assim, conseguimos identificar padrões rapidamente que podem estar relacionados ao desempenho dos pacientes. Esse processo pode ajudar os médicos a melhorar os tratamentos e os cuidados.
O que é a Automação de Aprendizado EHR?
A automação de aprendizado EHR é um esquema onde sistemas de computador analisam dados de EHRs de forma sistemática. O objetivo é encontrar informações úteis que possam melhorar o atendimento ao paciente. À medida que esses sistemas crescem e evoluem, eles têm o potencial de aumentar muito a qualidade do atendimento na saúde.
Construindo um Sistema de Saúde Aprendente
Em estudos anteriores, criaram um sistema chamado Michigan Radiation Oncology Analytics Resource (MROAR). Esse sistema coleta e organiza dados de várias fontes de saúde, incluindo EHRs e planos de tratamento de radiação. A ideia aqui é facilitar para os computadores aprenderem com os dados coletados.
Pra tirar bons resultados desse grande conjunto de dados, processos padrão foram integrados ao trabalho clínico diário. Isso ajuda a reduzir erros e informações faltando nos dados que os profissionais de saúde inserem. Tratando a coleta de dados mais como uma fazenda estruturada que produz itens úteis regularmente, e não só coletando informações aleatórias, as chances de achar insights valiosos aumentam.
Usando IA na Saúde
O sistema foi combinado com um algoritmo que usa inteligência artificial (IA) pra interpretar os dados. Esse algoritmo procura por fatores importantes que podem prever como os pacientes com câncer de cabeça e pescoço vão se sair, especialmente se eles forem ao pronto-socorro depois do tratamento.
Refinando técnicas anteriores, a equipe trabalhou pra encontrar e avaliar fatores que poderiam prever os resultados dos pacientes. Essa nova abordagem combina métodos estatísticos tradicionais com IA avançada, buscando criar uma imagem mais clara da saúde dos pacientes.
Encontrando Recursos Importantes
O estudo analisou três questões principais: dificuldade de engolir (disfagia), boca seca (xerostomia) e taxas de sobrevivência após três anos para pacientes com câncer de cabeça e pescoço. A equipe olhou pra muitos fatores diferentes pra ver quais poderiam prever esses resultados.
Isso incluiu métricas padrão para doses de radiação em glândulas específicas no pescoço. Eles reuniram dados ao longo do tempo pra ver como esses fatores mudavam e qual impacto tinham na saúde dos pacientes.
Analisando Informações dos Pacientes
Um total de 964 pacientes foi incluído, a maioria homens brancos. Os dados coletados destacaram características de saúde importantes e como essas características se correlacionam com resultados negativos. Os pesquisadores usaram vários cálculos estatísticos pra ajudar a entender os padrões nos dados.
Eles verificaram quantos pacientes enfrentaram dificuldade de engolir, boca seca ou morreram dentro de três anos após o tratamento. Ao examinar esses aspectos, a equipe buscou encontrar tendências que pudessem informar os médicos sobre o que observar em seus pacientes.
O Papel dos Dados Visuais
Pra ajudar ainda mais os médicos a entenderem as correlações encontradas, gráficos estatísticos e recursos visuais foram criados. As visualizações facilitaram pra os profissionais de saúde verem padrões claros nos dados. Isso ajudou a tomar decisões informadas sobre o tratamento dos pacientes.
Treinando os Modelos de IA
A equipe desenvolveu modelos de IA que foram testados contra métodos estatísticos pra ver qual fornecia previsões melhores. Eles usaram diferentes maneiras de criar esses modelos pra garantir a precisão. Em alguns casos, preencheram informações faltando dos pacientes pra melhorar os resultados dos modelos.
O objetivo era ver quão bem a IA poderia prever resultados negativos em comparação com métodos tradicionais. Os resultados mostraram que o uso de IA e metodologias consistentes poderia melhorar as previsões significativamente.
Fatores que Impactam os Resultados dos Pacientes
O estudo destacou vários elementos importantes. Por exemplo, doses altas de radiação em certas glândulas foram encontradas como preditores significativos de dificuldade de engolir. Curiosamente, essas doses altas muitas vezes não eram monitoradas e não faziam parte das checagens de rotina.
A análise mostrou que quando as doses de radiação em glândulas específicas eram mantidas mais baixas, os pacientes tinham menos chances de enfrentar problemas como boca seca ou dificuldade de engolir. Isso indica que os planos de cuidado podem precisar mudar pra manter essas doses sob controle.
Acompanhando Mudanças ao Longo do Tempo
À medida que os dados foram coletados ao longo de vários anos, ficou evidente que certos problemas estavam se tornando menos comuns. Por exemplo, a ocorrência de dificuldade severa de engolir diminuiu com o tempo. Isso sugere que mudanças nas práticas de tratamento podem estar resultando em melhores resultados para os pacientes.
Monitorando Taxas de Sobrevivência
Ao examinar as taxas de sobrevivência dos pacientes, a pesquisa descobriu que volumes específicos de tumores na garganta eram indicadores-chave de resultados. Pacientes com volumes menores de tumor tinham melhores chances de sobreviver mais de três anos. Essa informação pode ser vital pros médicos na hora de avaliar os riscos dos pacientes.
Importância do Aprendizado Contínuo
Essas descobertas enfatizam a importância do aprendizado contínuo na saúde. Atualizando práticas regularmente com base em dados reais de pacientes, o atendimento pode ser mais eficaz. Os profissionais de saúde devem abraçar ferramentas que permitam coletar e analisar informações dos pacientes de forma eficiente.
Desafios na Usando IA
Apesar de haver grandes benefícios potenciais em usar IA na saúde, também existem desafios. Às vezes, os dados podem estar incompletos, dificultando que a IA forneça respostas claras. Além disso, nem todas as soluções de IA vão superar métodos estatísticos tradicionais em todos os casos.
Pra tirar o máximo proveito da IA, os profissionais de saúde precisam garantir que os dados sejam inseridos de forma consistente e padronizada. Sem entradas de dados confiáveis, o potencial para análise automatizada é significativamente reduzido.
O Futuro do Atendimento ao Paciente
Com o crescimento contínuo de dados e tecnologia, é provável que a análise automatizada se torne uma parte padrão da saúde. O objetivo é tornar o atendimento ao paciente mais personalizado e previsível.
Focando em coletar dados de alta qualidade e analisá-los de forma eficaz, a saúde pode melhorar dramaticamente. A abordagem tomada nesta pesquisa pode servir de guia para os profissionais médicos que buscam melhorar suas práticas.
Conclusão
Automatizar o aprendizado dos pacientes através dos EHRs apresenta um futuro promissor pra saúde. Pode ajudar a identificar fatores cruciais que contribuem para o atendimento ao paciente, o que pode levar a melhores resultados nos tratamentos. À medida que a tecnologia continua a evoluir, é essencial que os profissionais de saúde se adaptem e utilizem essas ferramentas de forma eficaz pra garantir o melhor atendimento pros pacientes.
Título: Data Farming to Table: Combined Use of a Learning Health System Infrastructure, Statistical Profiling, and Artificial Intelligence for Automating Toxicity and 3-year Survival for Quantified Predictive Feature Discovery from Real-World Data for Patients Having Head and Neck Cancers
Resumo: IntroductionClinicians iteratively adjust treatment approaches to improve outcomes but to date, automatable approaches for continuous learning of risk factors as these adjustments are made are lacking. We combined a large-scale comprehensive real-world Learning Health System infrastructure (LHSI), with automated statistical profiling, visualization, and artificial intelligence (AI) approach to test evidence-based discovery of clinical factors for three use cases: dysphagia, xerostomia, and 3-year survival for head and neck cancer patients. Our hypothesis was that the combination would enable automated discovery of prognostic features generating testable insights. MethodsRecords for 964 patients treated at a single instiution for head and neck cancers with conventional fractionation between 2017 and 2022 were used. Combined information on demographics, diagnosis and staging, social determinants of health measures, chemotherapy, radiation therapy dose volume histogram curves, and treatment details, laboratory values, and outcomes from the LHSI to winnow evidence for 485 candidate prognostic features. Univariate statistical profiling using benchmark resampling to detail confidence intervals for thresholds and metrics: area under the curve (AUC), sensitivity (SN), specificity (SP), F1, diagnostic odds ratio (DOR), p values for Wilcoxon Rank Sum (WRS), Kolmogorov-Smirnov (KS), and logistic fits of distributions detailed predictive evidence of individual features. Statistical profiling was used to benchmark, parsimonious XGBoost models were constructed with 10-fold cross validation using training (70%), validation (10%), and test (20%) sets. Probabilistic models utilizing statistical profiling logistic fits of distributions were used to benchmark XGBoost models. ResultsAutomated standardized analysis identified novel features and clinical thresholds. Validity of automated findings were affirmed with supporting literature benchmarks. Average incidence of dysphagia [≥]grade 3 within 1 year of treatment was low (11%). Xerostomia [≥] grade 2 (39% to 16%) and survival [≤] 3 years decreased (25% to 15%) over the time range. Standard planning constraints used limited contribution of those features:: Musc_Constrict_S: Mean[Gy] < 50, Glnd_Submand_High: Mean[Gy] [≤] 30, Glnd_Submand_Low: Mean[Gy] [≤] 10, Parotid_High: Mean[Gy] [≤] 24, Parotid_Low: Mean[Gy] [≤] 10 Additional prognostic features identified for dysphagia included Glnd_Submand_High:D1%[Gy] [≥] 71.1, Glnd_Submand_Low:D4%[Gy] [≥] 55.1, Musc_Constric_S:D10%[Gy] [≥] 56.5, GTV_Low:Mean[Gy] [≥] 71.3. Strongest grade 2 xerostomia feature was Glnd_Submand_Low: D15%[Gy] [≥] 45.2 with a logistic model quantifying a gradual rather than an abrupt increase in probability 13.5 + 0.18 (x-41.0 Gy). Strongest prognostic factors for lower likelihood of death by 3 years were GTV_High: Volume[cc] [≤] 21.1, GTV_Low: Volume[cc] [≤] 57.5, Baseline Neutrophil-Lymphocyte Ratio (NLR) [≤] 5.6, Monocyte-Lymphocyte Ratio (MLR) [≤]0.56, Platelet-Lymphocyte ratio (PLR) [≤] 202.5. All predictors had WRS and KS p values < 0.02. Statistical profiling enabled detailing gains of XGBoost models with respect to individual features. Time period reductions in distribution of GTV volumes correlated with reductions in death by 3 years. DiscussionConfirming our hypothesis, automated, standardized statistical profiling of a set of statistical metrics and visualizations supported detailing predictive strength and confidence intervals of individual features, benchmarking of subsequent AI models, and clinical assessment. Association of high dose values to submandibular gland volumes, highlighted relevance as surrogate measures for proximal un-contoured muscles including digastric muscles. Higher values of PLR, NLR, and MLR were associated with lower survival rates. Combined use of Learning Health System Infrastructure, Statistical Profiling and Artificial Intelligence provided a basis for faster, more efficient evidence-based continuous learning of risk factors and development of clinical trial testable hypothesis. Benchmarking AI models with simple probabilistic models provided a means of understanding when results are driven by general areas of overall risk vs. more complex interactions.
Autores: Charles Mayo, S. Su, B. Rosen, E. Covington, Z. Zhang, T. Lawrence, R. Kudner, C. D. Fuller, K. Brock, J. Shah, M. Mierzwa
Última atualização: 2023-10-25 00:00:00
Idioma: English
Fonte URL: https://www.medrxiv.org/content/10.1101/2023.10.24.23297349
Fonte PDF: https://www.medrxiv.org/content/10.1101/2023.10.24.23297349.full.pdf
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao medrxiv pela utilização da sua interoperabilidade de acesso aberto.