Avanços na Identificação de Pacientes com Insuficiência Cardíaca
Um novo modelo melhora a identificação de pacientes com insuficiência cardíaca nos registros eletrônicos de saúde.
― 7 min ler
Índice
- O Papel das Anotações Clínicas
- Desafios na Identificação do HFrEF
- Nossa Abordagem
- Coleta de Dados
- População do Estudo
- Objetivos do Estudo
- Desenvolvimento do Modelo
- Treinamento do Modelo
- Avaliação do Modelo
- Validação Externa
- Desempenho em Diferentes Grupos
- Implicações nas Terapias Dirigidas por Diretrizes
- Explicabilidade do Modelo
- Análise Estatística
- Desafios e Limitações
- Conclusão
- Fonte original
A Insuficiência Cardíaca é uma condição séria onde o coração não consegue bombear sangue suficiente pra atender às necessidades do corpo. Entre os diferentes tipos de insuficiência cardíaca, um deles é chamado de insuficiência cardíaca com fração de ejeção reduzida (HFrEF). Esse tipo leva a muitas visitas ao hospital e, infelizmente, cerca da metade desses pacientes pode não sobreviver cinco anos depois do diagnóstico. Apesar de existirem tratamentos eficazes que podem ajudar pessoas com HFrEF a viver mais e ficar longe do hospital, só uma pequena parte dos pacientes nos Estados Unidos recebe todos os tratamentos recomendados. Essa situação mostra como é importante encontrar maneiras melhores de oferecer cuidados que estejam alinhados com as diretrizes estabelecidas.
O Papel das Anotações Clínicas
Os hospitais usam prontuários eletrônicos (EHR) pra acompanhar as informações dos pacientes, e esses registros costumam conter insights valiosos sobre a saúde dos pacientes. As anotações clínicas, que são escritas por médicos e enfermeiros sobre o cuidado dos pacientes, podem fornecer uma riqueza de informações. Analisando essas notas, conseguimos identificar grupos de pacientes, incluindo aqueles que sofrem de HFrEF.
Um método chamado Processamento de Linguagem Natural (NLP) pode ajudar a automatizar o processo de encontrar pessoas com HFrEF nos EHRs. Essa tecnologia consegue vasculhar grandes quantidades de texto clínico de uma forma mais eficaz do que os métodos tradicionais que dependem de dados estruturados, que podem ser imprecisos ou incompletos.
Desafios na Identificação do HFrEF
Apesar dos avanços na tecnologia, modelos anteriores que usavam NLP tinham limitações. Eles costumavam focar em palavras-chave específicas e tinham dificuldades em identificar o HFrEF com precisão. Isso acontecia por várias razões, como termos mal escritos, o uso de abreviações ou diferentes maneiras de descrever a insuficiência cardíaca. Esses fatores podem dificultar a identificação precisa do grupo certo de pacientes.
Nossa Abordagem
Neste estudo, criamos um novo modelo de aprendizado profundo que aproveita o poder do NLP pra identificar HFrEF de forma eficaz usando anotações clínicas. Nosso modelo analisa o contexto do texto em vez de ser restrito a uma lista específica de palavras. Isso permite processar notas mais longas e fornecer uma imagem mais clara da condição do paciente. O objetivo era criar uma maneira robusta de avaliar automaticamente a qualidade do cuidado oferecido a pacientes com insuficiência cardíaca.
Coleta de Dados
Pra desenvolver esse modelo, usamos dados do Yale New Haven Hospital, cobrindo registros de pacientes de 2015 a 2019. Esse hospital atende uma variedade de pacientes, incluindo muitos que podem não ter tido uma representação adequada em outros estudos. Os dados incluíam tanto informações estruturadas, como demografia e histórico médico, quanto notas não estruturadas da equipe médica que incluem detalhes sobre as internações e tratamentos dos pacientes.
População do Estudo
Nosso estudo focou em pacientes que foram hospitalizados com insuficiência cardíaca e que tinham pelo menos um ecocardiograma - um teste que verifica o funcionamento do coração. Coletamos notas que resumiam suas internações pra construir e validar nosso modelo. Esses resumos continham informações detalhadas sobre sintomas, testes e tratamentos que poderiam ajudar a confirmar o diagnóstico de HFrEF.
Objetivos do Estudo
O principal objetivo do estudo era identificar com precisão os pacientes com HFrEF com base nos resultados do ecocardiograma. Também queríamos explorar quantos pacientes receberam as medicações recomendadas para HFrEF. Esses tratamentos incluem beta-bloqueadores e outros medicamentos cardíacos, que demonstraram reduzir o risco de morte e internações.
Desenvolvimento do Modelo
Construímos um modelo de linguagem usando uma técnica chamada aprendizado profundo. Isso envolveu ensinar o modelo a reconhecer padrões no texto das anotações clínicas. O modelo vai além de procurar por termos específicos, analisando as relações e o contexto dentro de toda a nota. Fazendo isso, ele consegue pegar variações na descrição da insuficiência cardíaca, garantindo uma melhor identificação dos pacientes que sofrem de HFrEF.
Treinamento do Modelo
Pra garantir que o modelo fosse preciso, dividimos as anotações clínicas em dois grupos: um pra treinar o modelo e outro pra testar seu desempenho. Limpamos os dados removendo caracteres desnecessários e focamos no conteúdo relevante. O processo de treinamento envolveu ensinar o modelo a reconhecer HFrEF com base em casos conhecidos, refinando sua capacidade de fazer previsões sobre novos pacientes.
Avaliação do Modelo
Depois de desenvolver o modelo, testamos ele em um conjunto separado de notas pra ver como ele se saiu. Os resultados mostraram que nosso modelo era muito bom em detectar HFrEF, alcançando altas notas em sensibilidade e especificidade. Isso significa que ele conseguiu identificar com confiabilidade os pacientes com a condição, minimizando os falsos positivos.
Validação Externa
Pra ver se nosso modelo funcionava bem em diferentes cenários, testamos ele em registros de outros hospitais e sistemas de saúde. Essa validação externa mostrou que nosso modelo conseguia identificar pacientes com HFrEF de forma consistente em várias demografias e contextos clínicos.
Desempenho em Diferentes Grupos
Também examinamos quão bem o modelo se saiu entre diferentes grupos de pacientes com várias condições de saúde, como problemas cardíacos anteriores ou outras questões relacionadas ao coração. Os resultados indicaram que o modelo foi eficaz nessas populações diversas, o que é essencial pra garantir que todos os pacientes recebam cuidados adequados.
Implicações nas Terapias Dirigidas por Diretrizes
Uma descoberta importante do nosso estudo foi a capacidade do modelo de identificar pacientes que poderiam se beneficiar de terapias dirigidas por diretrizes. O modelo apontou que muitos pacientes que deveriam estar recebendo medicamentos cardíacos não estavam recebendo. Isso destacou lacunas significativas nos cuidados que precisam ser abordadas pra melhorar os resultados de saúde das pessoas com HFrEF.
Explicabilidade do Modelo
Queríamos garantir que as previsões do nosso modelo fossem compreensíveis. Pra isso, fizemos uma análise pra identificar termos-chave nas anotações clínicas que eram indicativos de HFrEF. Isso nos permitiu ver quais palavras eram mais preditivas da condição, oferecendo insights de como o modelo tomou suas decisões. Entender esses termos pode ajudar os profissionais de saúde a tomar decisões informadas com base nas descobertas do modelo.
Análise Estatística
Na nossa análise, olhamos várias estatísticas pra avaliar o desempenho do modelo. Isso incluiu medir quão bem ele classificou pacientes com HFrEF em comparação com os códigos de diagnóstico. As descobertas mostraram que nosso modelo superou os métodos tradicionais, classificando com precisão uma maior proporção de pacientes com base em seus registros de saúde.
Desafios e Limitações
Embora nosso estudo tenha produzido resultados promissores, algumas limitações devem ser consideradas. O modelo só funciona tão bem quanto a documentação permite. Se as notas estão incompletas ou mal escritas, isso pode impactar a eficácia do modelo. Além disso, nossa validação não acompanhou quão bem o modelo funcionou ao longo do tempo em ambientes clínicos reais, o que é uma área pra pesquisa futura.
Conclusão
Em resumo, desenvolvemos um modelo inovador que usa processamento de linguagem natural pra identificar pacientes com HFrEF a partir de anotações clínicas. Nosso método demonstrou alta precisão em diversos grupos de pacientes e pode ajudar a melhorar a qualidade do cuidado de saúde abordando lacunas no tratamento. Essa abordagem oferece uma maneira inovadora de utilizar os dados dos EHR pra promover melhores resultados de saúde para pacientes com insuficiência cardíaca.
Ao melhorar a forma como identificamos e tratamos o HFrEF, podemos aprimorar a vida de muitas pessoas afetadas por essa condição. Pesquisas futuras podem focar em refinar ainda mais o modelo e explorar como ele pode ser usado em práticas clínicas do dia a dia pra garantir que os pacientes recebam o melhor cuidado possível.
Título: Automated Identification of Heart Failure with Reduced Ejection Fraction using Deep Learning-based Natural Language Processing
Resumo: BackgroundThe lack of automated tools for measuring care quality has limited the implementation of a national program to assess and improve guideline-directed care in heart failure with reduced ejection fraction (HFrEF). A key challenge for constructing such a tool has been an accurate, accessible approach for identifying patients with HFrEF at hospital discharge, an opportunity to evaluate and improve the quality of care. MethodsWe developed a novel deep learning-based language model for identifying patients with HFrEF from discharge summaries using a semi-supervised learning framework. For this purpose, hospitalizations with heart failure at Yale New Haven Hospital (YNHH) between 2015 to 2019 were labeled as HFrEF if the left ventricular ejection fraction was under 40% on antecedent echocardiography. The model was internally validated with model-based net reclassification improvement (NRI) assessed against chart-based diagnosis codes. We externally validated the model on discharge summaries from hospitalizations with heart failure at Northwestern Medicine, community hospitals of Yale New Haven Health in Connecticut and Rhode Island, and the publicly accessible MIMIC-III database, confirmed with chart abstraction. ResultsA total of 13,251 notes from 5,392 unique individuals (mean age 73 {+/-} 14 years, 48% female), including 2,487 patients with HFrEF (46.1%), were used for model development (train/held-out test: 70/30%). The deep learning model achieved an area under receiving operating characteristic (AUROC) of 0.97 and an area under precision- recall curve (AUPRC) of 0.97 in detecting HFrEF on the held-out set. In external validation, the model had high performance in identifying HFrEF from discharge summaries with AUROC 0.94 and AUPRC 0.91 on 19,242 notes from Northwestern Medicine, AUROC 0.95 and AUPRC 0.96 on 139 manually abstracted notes from Yale community hospitals, and AUROC 0.91 and AUPRC 0.92 on 146 manually reviewed notes at MIMIC-III. Model-based prediction of HFrEF corresponded to an overall NRI of 60.2 {+/-} 1.9% compared with the chart diagnosis codes (p-value < 0.001) and an increase in AUROC from 0.61 [95% CI: 060-0.63] to 0.91 [95% CI 0.90-0.92]. ConclusionsWe developed and externally validated a deep learning language model that automatically identifies HFrEF from clinical notes with high precision and accuracy, representing a key element in automating quality assessment and improvement for individuals with HFrEF.
Autores: Rohan Khera, A. A. Nargesi, P. Adejumo, L. Dhingra, B. Rosand, A. Hengartner, A. Coppi, S. Benigeri, S. Sen, T. Ahmad, G. N. Nadkarni, Z. Lin, F. S. Ahmad, H. M. Krumholz
Última atualização: 2023-09-11 00:00:00
Idioma: English
Fonte URL: https://www.medrxiv.org/content/10.1101/2023.09.10.23295315
Fonte PDF: https://www.medrxiv.org/content/10.1101/2023.09.10.23295315.full.pdf
Licença: https://creativecommons.org/licenses/by-nc/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.