Aprendizado de máquina aumenta a surpresa do COVID

Uma visita ao hospital pode ser resumida a uma doença inicial e um resultado. Mas os registros de saúde contam uma história diferente, cheia de anotações médicas e históricos de pacientes, sinais vitais e resultados de exames, abrangendo potencialmente semanas de internação. Em estudos de saúde, todos esses dados são multiplicados por centenas de pacientes. Não é de admirar, portanto, que, à medida que as técnicas de processamento de dados de IA se tornam cada vez mais sofisticadas, os médicos estejam tratando a saúde como um problema de IA e big data.

Em um esforço recente, pesquisadores da Northwestern University aplicaram aprendizado de máquina a registros eletrônicos de saúde para produzir uma análise diária mais granular de pneumonia em uma unidade de terapia intensiva (UTI), onde os pacientes recebiam respiração assistida de ventiladores mecânicos. A análise, publicada em 27 de abril no Journal of Clinical Investigation, inclui o agrupamento de dias de pacientes por aprendizado de máquina, o que sugere que a insuficiência respiratória de longo prazo e o risco de infecção secundária são muito mais comuns em pacientes com COVID-19 do que em muitos casos. medos iniciais do COVID - tempestades de citocinas.

"A maioria dos métodos que abordam a análise de dados na UTI analisa os dados dos pacientes quando eles são admitidos e, em seguida, os resultados em algum momento distante", disse Benjamin D. Singer, coautor do estudo e professor associado da Feinberg School of Medicine da Northwestern. "Tudo no meio é uma caixa preta."

A esperança é que a IA possa fazer novas descobertas clínicas a partir de dados diários de status de pacientes na UTI além do estudo de caso do COVID-19.

A abordagem diária dos dados levou os pesquisadores a duas descobertas relacionadas: infecções respiratórias secundárias são uma ameaça comum para pacientes de UTI, incluindo aqueles com COVID-19; e uma forte associação entre COVID-19 e insuficiência respiratória, que pode ser interpretada como uma inesperada falta de evidências de tempestades de citocinas em pacientes com COVID-19. Uma eventual mudança para falência de múltiplos órgãos pode ser esperada se os pacientes tiverem uma resposta inflamatória de citocinas, o que os pesquisadores não encontraram. As taxas relatadas variam, mas as tempestades de citocinas desde os primeiros dias da pandemia foram consideradas uma possibilidade perigosa em casos graves de COVID-19.

Cerca de 35% dos pacientes foram diagnosticados com uma infecção secundária, também conhecida como pneumonia associada ao ventilador (PAV), em algum momento durante a internação na UTI. Mais de 57% dos pacientes com COVID-19 desenvolveram PAV, em comparação com 25% dos pacientes sem COVID. Vários episódios de PAV foram relatados em quase 20% dos pacientes com COVID-19.

Catherine Gao, instrutora de medicina na Northwestern University e uma das coautoras do estudo, disse que os algoritmos de aprendizado de máquina que eles usaram ajudaram os pesquisadores a "ver padrões claros emergindo que faziam sentido clínico". A equipe apelidou sua abordagem de aprendizado de máquina focada no dia de CarpeDiem, após a frase latina que significa "aproveitar o dia".

O CarpeDiem foi construído usando a plataforma Jupyter Notebook, e a equipe disponibilizou o código e os dados não identificados. O conjunto de dados incluiu 44 parâmetros clínicos diferentes para cada dia de paciente, e a abordagem de agrupamento retornou 14 grupos com diferentes assinaturas de seis tipos de disfunção orgânica: respiratória, instabilidade do ventilador, inflamatória, renal, neurológica e choque.

"O campo se concentrou na ideia de que podemos olhar para os dados iniciais e ver se isso prevê como [os pacientes] vão se sair dias, semanas ou meses depois", disse Singer. A esperança, disse ele, é que a pesquisa usando o status diário do paciente na UTI, em vez de apenas alguns pontos no tempo, possa dizer aos investigadores - e aos algoritmos de IA e aprendizado de máquina que eles usam - mais sobre a eficácia de diferentes tratamentos ou respostas a mudanças no paciente. doença. Uma direção de pesquisa futura seria examinar o momento da doença, disse Singer.

A técnica que os pesquisadores desenvolveram (que eles chamaram de "abordagem do dia do paciente") pode capturar outras mudanças nos estados clínicos com menos tempo entre os pontos de dados, disse Sayon Dutta, médico de emergência do Massachusetts General Hospital que ajuda a desenvolver modelos preditivos para a prática clínica. usando aprendizado de máquina e não estava envolvido no estudo. Os dados por hora podem apresentar seus próprios problemas para uma abordagem de agrupamento, disse ele, tornando os padrões difíceis de reconhecer. "Acho que dividir o dia em blocos de 8 horas pode ser um bom compromisso entre granularidade e dimensionalidade", disse ele.