Uso da inteligência artificial para otimização do tratamento da sepse

Estudo avaliou modelo computacional no campo da Inteligência Artificial, capaz de sugerir tratamentos otimizados para pacientes com sepse.

Sepse é a terceira causa de morte no mundo e a principal causa de mortalidade intra-hospitalar. A melhor estratégia terapêutica ainda carece de discussão. O Surviving Sepsis Campaign, através do seu Bundle da Primeira Hora, normatiza metas como ressuscitação volêmica inicial, visando correção da hipoperfusão induzida pela sepse, noradrenalina precoce, conforme indicação, além do antibiótico na primeira hora. 

O manejo de fluidos intravenosos e vasopressores na sepse é um importante desafio clínico e uma prioridade alta de pesquisa. Até o momento, não existe uma ferramenta capaz de personalizar o manejo ótimo e individualizado da sepse. Conforme dados recentes da literatura, as estratégias decisórias empregadas na prática, no sentido de até quando fornecer volume e quando iniciar a noradrenalina, ainda são subotimizadas, levando a piores desfechos. 

Leia também: Whitebook: Dia Mundial da Sepse

Uso da inteligência artificial para otimização do tratamento da sepse

Estudo utiliza inteligência artificial na sepse

Foi publicado na Nature, em Novembro de 2018, o estudo The Aritificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care. O grupo britânico, liderado pelo Prof. Matthieu Komorowski, intensivista e importante pesquisador na área, desenvolveu o chamado Médico da Inteligência Artificial (Médico IA). Um modelo computacional de machine learning (Aprendizado de Máquina), baseado em aprendizagem por reforço (uma das inúmeras ferramentas disponíveis no campo da Inteligência Artificial), capaz de sugerir, de forma dinâmica, tratamentos otimizados para pacientes adultos com sepse internados em Unidade de Terapia Intensiva (UTI).

Entendendo melhor as técnicas de inteligência artificial 

A Aprendizagem Por Reforço é o treinamento de modelos de aprendizado de máquina (machine learning) para tomar uma sequência de decisões. O agente aprende a atingir uma meta em um ambiente incerto e potencialmente complexo. No aprendizado por reforço, o sistema de inteligência artificial enfrenta uma situação. O computador utiliza tentativa e erro para encontrar uma solução para o problema. Para que a máquina faça o que o programador deseja, a inteligência artificial recebe recompensas ou penalidades pelas ações que executa. Seu objetivo é maximizar a recompensa total.

O que foi feito no estudo?

O modelo do médico da Inteligência Artificial (médico IA) foi desenvolvido e validado em duas grandes databases de UTIs americanas, contendo dados rotineiramente coletados nessas UTIs. Vale ressaltar que ambas databases eram independentes, sem overlap de pacientes. A base de dados utilizada para o desenvolvimento do modelo foi a MIMIC-III (Medical Information Mart for Intensive Care version III). A base de dados utilizada para a validação do modelo foi a eICU Research Institute Database (eRI)

Foram incluídos nas análises pacientes que preenchiam critérios diagnósticos conforme o SEPSIS-3. Um total de 17.083 pacientes elegíveis foram incluídos a partir da base do MIMIC-III e 79.073 pacientes a partir da base de dados do eRI. Um conjunto de 48 variáveis, incluindo dados laboratoriais e clínicos, foram analisados de ambas as bases. 

Saiba mais: Origens e fundamentos da MBE – Parte 1: Relação entre o tratamento precoce com antibióticos para sepse e ida à feira

Quais foram os achados?

O Médico da Inteligência Artificial recomendou, em média, menor dose de fluidos intravenosos e maiores doses de vasopressores do que o tratamento real aplicado pelos médicos. A proporção de tempo que os pacientes da base eRI receberam vasopressores foi apenas 17%, mas teria sido de aproximadamente 30% se a recomendação do Médico IA fosse seguida. 

Um dado interessante foi que os pacientes que receberam doses de drogas vasoativas e fluidos similares à recomendação do médico IA apresentaram a menor mortalidade. A administração de uma maior ou menor dose de cada tratamento em relação ao que foi recomendado pelo médico IA esteve associado a maior mortalidade de forma dose-dependente

Quando o tratamento médico empregado diferiu do recomendado pelo médico IA, foi mais comum a administração de menor dose de vasopressor. Sabe-se que a administração precoce de vasopressor tem sido indicada na sepse, evitando a administração excessiva de fluidos, que está ligada a piores desfechos. Sendo assim, os resultados exibidos pelo estudo favorecem essa recomendação. Mais do que isso, permitem um tratamento individualizado para cada paciente. 

Conclusões dos autores 

Médicos sempre serão importantes para decisões subjetivas sobre estratégias terapêuticas, no entanto modelos computacionais podem fornecer informações adicionais sobre decisões otimizadas, evitando a ressuscitação por metas de curto prazo e ajudando a seguir trajetórias no sentido da sobrevivência a longo prazo. 

O estudo claramente necessitará de evolução prospectiva, utilizando dados em tempo real e estratégias decisórias em trials, assim como testes em diferentes cenários clínicos. Nos últimos 10 a 15 anos, várias tentativas no sentido de desenvolver novos tratamentos para reduzir a mortalidade na sepse foram mal sucedidas. O uso dos sistemas de decisão baseados em computação podem ajudar a guiar o melhor tratamento com melhoria dos desfechos clínicos. 

Mensagens Práticas 

  • Ponto interessante do estudo é trazer o uso precoce do vasopressor como item ligado a menor mortalidade. Atualmente, o Surviving Sepsis Campaign recomenda o uso precoce da noradrenalina, conforme indicado, visando restauração precoce da hipoperfusão. 
  • O uso de ferramentas de inteligência artificial na medicina é realidade. Fenótipos guiados por dados podem ser criados, como se fosse uma impressão digital de variadas condições clínicas. A melhor decisão terapêutica pode ser obtida a partir de algoritmos de aprendizagem de máquina, fornecendo suporte à decisão em cenários complexos. 
  • O estudo acima trouxe uma análise retrospectiva, baseada em dois grandes bancos de Big Data. Então, cautela na interpretação dos dados. 

Referências bibliográficas:

  • Komorowski M, Celi LA, Badawi O, Gordon AC, Faisal AA. The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care. Nat Med. 2018 Nov;24(11):1716-1720. doi: 10.1038/s41591-018-0213-5.

Avaliar artigo

Dê sua nota para esse conteúdo

Selecione o motivo:
Errado
Incompleto
Desatualizado
Confuso
Outros

Sucesso!

Sua avaliação foi registrada com sucesso.

Avaliar artigo

Dê sua nota para esse conteúdo.

Você avaliou esse artigo

Sua avaliação foi registrada com sucesso.

Baixe o Whitebook Tenha o melhor suporte
na sua tomada de decisão.