Avaliando o impacto da IA nos tempos de espera dos pacientes na saúde

Nos últimos anos, a inteligência artificial (IA) começou a fazer uma diferença significativa na saúde, principalmente na forma como as imagens médicas são avaliadas. Um uso importante da IA é na triagem, que significa classificar imagens de pacientes para descobrir quais precisam de atenção urgente. Essa triagem é feita por meio de softwares especiais chamados sistemas de triagem e notificação assistida por computador (CADt). O principal objetivo desses sistemas é ajudar os Radiologistas a priorizar seu trabalho e acelerar a revisão das imagens que indicam problemas de saúde sérios.

Apesar do aumento do uso dos sistemas CADt nos hospitais, ainda não existe uma forma sólida de medir quão eficazes eles são de fato na redução do tempo que os pacientes esperam pelos resultados. Este estudo tem como objetivo preencher essa lacuna. Usando princípios da teoria das filas, uma ferramenta matemática usada para analisar filas de espera, criamos um método para calcular o tempo médio de espera por imagens de pacientes antes e depois do uso de um sistema CADt.

#Contexto dos Dispositivos CADt

Os dispositivos CADt funcionam analisando imagens médicas e marcando-as com base em se mostram sinais de condições de saúde graves. Por exemplo, uma imagem pode mostrar sinais potenciais de um derrame ou sangramento no cérebro. Quando essas imagens são marcadas como urgentes ou significativas pela IA, elas são movidas para o início da fila de leitura para que um radiologista as revise primeiro.

A grande vantagem desses dispositivos é que eles podem ajudar a garantir que os pacientes recebam diagnósticos rápidos para condições sérias. Por exemplo, os derrames precisam ser identificados rapidamente para melhorar os resultados do tratamento. Em 2018, a Administração de Alimentos e Medicamentos dos EUA (FDA) aprovou o primeiro dispositivo CADt focado em pacientes em risco de certos tipos de derrames. Desde então, estudos mostraram que o uso desses dispositivos pode levar a melhores tratamentos e resultados para os pacientes.

#O Problema da Avaliação do Tempo de Espera

Muitas avaliações dos dispositivos CADt se concentraram em quão exatamente eles podem diagnosticar problemas com base nas imagens. No entanto, houve pouca avaliação quantitativa de quanto esses dispositivos reduzem os Tempos de Espera em ambientes clínicos do mundo real. Abordar essa lacuna é crucial, pois o tempo de espera pode impactar significativamente o cuidado e os resultados dos pacientes.

#Desenvolvendo uma Metodologia para Avaliação

Para avaliar a eficácia dos dispositivos CADt em reduzir os tempos de espera, propomos um novo modelo baseado na teoria das filas. A metodologia considera vários fatores que afetam tanto a entrada de pacientes quanto a velocidade de leitura dos radiologistas.

Analisamos vários modelos de fluxo de trabalho envolvendo diferentes números de radiologistas, taxas de chegada de imagens e quão eficazes os dispositivos CADt são em reconhecer problemas. Usando uma técnica específica conhecida como Redução Recursiva de Dimensionalidade, conseguimos simplificar modelos complexos para facilitar nossos cálculos.

#Métricas de Desempenho para Avaliação

Para fornecer uma visão mais clara da eficácia de um dispositivo CADt, desenvolvemos uma métrica de desempenho. Essa métrica nos permite medir o tempo médio de espera por imagens de pacientes em ambientes clínicos que usam o CADt em comparação com aqueles que não usam.

Os resultados mostram que os dispositivos CADt são particularmente eficazes quando o ambiente clínico está ocupado ou com falta de funcionários. Isso está alinhado com nossas expectativas e observações de simulações. O estudo propõe que, embora tenhamos focado essa pesquisa em dispositivos CADt, a estrutura também pode se aplicar a outros algoritmos que priorizam o trabalho com base em saídas binárias.

#Fluxos de Trabalho dos Radiologistas e Classes de Prioridade

Os radiologistas geralmente revisam imagens de pacientes com base em um sistema de primeiro a entrar, primeiro a sair (FIFO). Quando um sistema CADt está envolvido, ele altera esse fluxo de trabalho ao marcar certos casos como alta prioridade, que então têm precedência sobre aqueles marcados como de prioridade inferior ou não urgentes.

Em ambientes sem um dispositivo CADt, cada imagem é tratada igualmente, enquanto os sistemas CADt introduzem diferentes classes de prioridade-imagens Emergentes, positivas para IA e negativas para IA. Essa mudança é crucial, pois impacta os tempos de leitura e, em última análise, os resultados dos pacientes.

#Cenários Clínicos e Parâmetros do Modelo

Neste estudo, examinamos diferentes cenários clínicos baseados em parâmetros específicos. Por exemplo, definimos fatores como a proporção de pacientes em emergência, taxas de chegada de imagens e o número de radiologistas disponíveis. Esses parâmetros ajudam a simular situações do mundo real e a entender melhor como os dispositivos CADt se comportam sob várias condições.

#Simulação de Fluxos de Trabalho Clínicos

Para verificar nossa estrutura teórica, criamos uma simulação de software que imita o fluxo de imagens de pacientes em um ambiente de saúde, tanto com quanto sem um dispositivo CADt. Ao gerar um grande número de imagens de pacientes e acompanhar seus tempos de espera, podemos analisar e entender as diferenças nos resultados.

Durante a simulação, as imagens são classificadas aleatoriamente como emergentes ou não emergentes. Seus tempos de chegada e tempos de leitura são então computados e registrados para comparar as métricas de desempenho.

#Medindo a Eficácia da Economia de Tempo

O cerne da nossa métrica de avaliação é observar o tempo de espera para pacientes com condições de saúde sérias. Por meio de cálculos teóricos e simulação, podemos determinar quanto tempo é salvo para esses pacientes quando um dispositivo CADt é utilizado.

Essa métrica de desempenho de economia de tempo é crucial, pois destaca a necessidade de priorização no cuidado dos pacientes. Ela mostra quão efetivo um dispositivo CADt pode ser em garantir que pacientes com necessidades urgentes de saúde recebam atenção rápida.

#Resultados e Discussão dos Achados

Os resultados da nossa simulação indicam que os dispositivos CADt podem reduzir significativamente os tempos de espera para pacientes que precisam de cuidados urgentes. Por exemplo, em um ambiente de baixo volume, o tempo médio salvo pode ser apenas alguns minutos, mas à medida que o volume aumenta, o tempo salvo pode chegar a uma hora ou mais em ambientes mais movimentados.

Os benefícios de ter sistemas CADt são particularmente pronunciados com apenas um radiologista de plantão. A análise mostra que a presença de casos de emergência afeta tanto a eficácia do CADt quanto o tempo de cuidado dos pacientes.

#Conclusão

Este estudo fornece uma base sólida para avaliar a eficácia dos dispositivos CADt em economizar tempo de espera em ambientes de saúde. As metodologias desenvolvidas aqui podem ser aplicadas a outros ambientes além da radiologia, onde algoritmos de priorização são utilizados.

Resumindo, os dispositivos CADt podem desempenhar um papel essencial em melhorar o cuidado dos pacientes por meio de diagnósticos oportunos. À medida que a saúde continua a evoluir, entender como essas tecnologias podem reduzir os tempos de espera é essencial, prometendo melhores resultados para pacientes com condições de saúde urgentes.

#Direções Futuras

Daqui pra frente, nossa pesquisa poderia se expandir para incluir várias doenças e diferentes algoritmos em cenários clínicos mais complexos. Ao entender a interação entre diferentes sistemas de prioridade, podemos aprimorar nossas avaliações e, em última instância, melhorar o cuidado dos pacientes em diversos campos médicos.