Centro de Notícias | Brasil

Análise preditiva em saúde: três exemplos do mundo real

jun 12, 2020 - Tempo de leitura: 8-10 minutos

As análises preditivas na área da saúde podem ajudar a detectar sinais precoces de deterioração do paciente na UTI e na enfermaria, identificar pacientes de risco que estão em casa para evitar a reinternação e impedir indisponibilidades evitáveis dos equipamentos médicos.

ai six areas healthcare

Boa parte da medicina se ocupa de prever e reduzir o risco dos pacientes com base em seus dados atuais e históricos. Qual a probabilidade de determinado paciente com câncer apresentar complicações se fizermos a cirurgia? E de essa paciente com pneumonia voltar à Unidade de Terapia Intensiva (UTI) no prazo de 48 horas se tiver alta? Os médicos sempre precisaram tomar decisões sem certeza absoluta, mas, com o avanço das análises preditivas na área da saúde, há uma promessa de tornar essas decisões mais bem fundamentadas do que jamais foram.

 

A análise preditiva tem por objetivo alertar médicos e cuidadores sobre a probabilidade de eventos e desfechos antes que ocorreram, ajudando-os tanto a prevenir quanto a curar problemas de saúde. Devido à ascensão da Inteligência Artificial (IA) e da Internet das Coisas (IoT), agora temos algoritmos que podem ser alimentados com dados históricos e em tempo real para fazermos previsões relevantes. Esses algoritmos preditivos podem ser usados tanto para corroborar a tomada de decisão clínica para pacientes individuais quanto para fundamentar intervenções em nível de coorte ou de uma população. Podem até mesmo ser aplicados aos desafios operacionais e administrativos dos hospitais. 

A análise preditiva tem por objetivo alertar médicos e cuidadores sobre a probabilidade de eventos e desfechos antes que ocorreram, ajudando-os tanto a prevenir quanto a curar problemas de saúde.

Os executivos da área da saúde reconhecem esses benefícios: de acordo com uma pesquisa da Sociedade de Atuários feita em 2019, 60% deles disseram que sua organização adotou análises preditivas; desses, 42% observaram um aumento da satisfação dos pacientes desde que implementaram o uso de análises preditivas e 39% tiveram economia de custos.

 

Como essas organizações de saúde estão transformando dados em insights prospectivos que favorecem um melhor atendimento ao paciente? Aqui estão três exemplos de análises preditivas em uso atualmente na área da saúde.

predicting patient deterioration

1. Detecção de sinais precoces de deterioração do paciente na UTI e na enfermaria

Os insights preditivos podem ser particularmente importantes na UTI, onde a vida de um paciente pode depender de uma intervenção em tempo hábil quando sua condição está prestes a se deteriorar. Em muitos países, incluindo os EUA, as UTIs já estavam sob pressão excessiva antes da pandemia da COVID-19, em decorrência do envelhecimento populacional, do aumento do uso de procedimentos cirúrgicos complexos e da escassez de especialistas em cuidados intensivos. Com o surto do coronavírus, o número de pacientes necessitados de cuidados intensivos na UTI aumentou exponencialmente, justificando ainda mais a necessidade de tecnologia para favorecer uma rápida tomada de decisão por parte dos cuidadores.

 

Como os sinais vitais dos pacientes são monitorados e analisados continuamente, os algoritmos preditivos podem ajudar a identificar pacientes com maior probabilidade de exigir uma intervenção nos próximos 60 minutos. Isso permite que os cuidadores intervenham proativamente em um estágio inicial, com base em sinais sutis de deterioração da condição do paciente. Da mesma forma, a análise preditiva pode estimar a probabilidade de que os pacientes corram risco de óbito ou reinternação no prazo de 48 horas se tiverem alta da UTI, ajudando o profissional a decidir quais pacientes podem receber alta.

 

Agora, os algoritmos preditivos também são implantados nos cenários de tele-UTI, onde os pacientes são monitorados remotamente por intensivistas e enfermeiros de cuidados críticos em constante contato com as equipes clínicas à beira do leito.

 

Além disso, as análises preditivas podem ajudar a detectar sinais precoces de alerta de eventos adversos na enfermaria de um hospital, onde a deterioração dos pacientes muitas vezes passa despercebida por longos períodos de tempo. A pontuação de alerta precoce automatizada permite que os cuidadores deflagrem uma resposta precoce apropriada das Equipes de Resposta Rápida no local de atendimento. Usando essa abordagem, um hospital relatou uma redução de eventos adversos da ordem de 35% e uma redução das paradas cardíacas de mais de 86%.

 

A adoção futura de biossensores vestíveis poderá tornar ainda mais fácil para os cuidadores a detecção de sinais precoces de deterioração à medida que o paciente se desloca pelos diferentes cenários de cuidados críticos no hospital. Esses biossensores aderem discretamente ao peito do paciente e se destinam a coletar, armazenar, medir e transmitir a frequência respiratória e cardíaca — os dois principais preditores de deterioração — a cada minuto, além de parâmetros contextuais como postura, nível de atividade e deambulação. Como permitem o monitoramento remoto sem que os prestadores de atendimento precisem realizar exames físicos pontuais, os biossensores vestíveis estão se provando particularmente úteis na vigilância clínica de pacientes com COVID-19.

Predicting at risk patients

2. Atendimento preditivo em domicílio para pacientes de risco

Com sua capacidade de ajudar os profissionais de saúde a se manterem um passo à frente, a análise preditiva está provando seu valor não apenas nos cenários hospitalares (virtuais), mas também em casa, impedindo que os pacientes retrocedam e voltem a necessitar de cuidados críticos.

 

Hoje, após uma internação hospitalar, muitos pacientes recebem alta sem monitoramento de saúde no longo prazo, correndo o risco de reinternações e eventos adversos que, possivelmente, poderiam ter sido evitados com medidas preventivas adequadas. As quedas em casa, particularmente comuns entre os mais frágeis e os idosos, constituem uma das principais causas de lesões — fatais e não fatais — e representam outra oportunidade para que as análises preditivas transformem uma abordagem de saúde reativa em uma abordagem proativa.

 

A análise preditiva pode combinar dados provenientes de diversas fontes — incluindo prontuários eletrônicos hospitalares, pingentes detectores de quedas e histórico de uso dos serviços de alerta médico — para identificar idosos que correm risco de um transporte de emergência nos próximos 30 dias. Isso permite que os profissionais de saúde entrem em contato com o idoso antes mesmo de uma queda ou de outra complicação médica, evitando reinternações desnecessárias e reduzindo custos de transporte, cuidados críticos e reabilitação. 

 

Nesse diapasão, uma rede de atendimento médico em domicílio nos EUA relatou o uso de aprendizado de máquina para identificar indivíduos com risco aumentado de desenvolver complicações graves da COVID-19. Ao invés de telefonar para verificar o bem-estar de todos os seus 122.000 associados, a rede de atendimento em domicílio adotou uma abordagem mais direcionada e orientada a dados para concentrar seus contatos inicialmente nos 4,4% de pacientes de risco. Ao educar esse grupo sobre quando e onde deveriam procurar atendimento médico, os profissionais de saúde buscam ajudar proativamente os pacientes de risco e, ao mesmo tempo, gerenciar a pressão sobre as organizações de saúde.

IGT innovations AI

3. Identificação proativa das necessidades de manutenção de equipamentos

Embora os exemplos até aqui tenham se concentrado em casos de uso clínico, as possibilidades das análises preditivas na saúde não terminam aí.

 

Em outros setores, como a aviação, a análise preditiva tem sido usada há muito para identificar as necessidades de manutenção proativamente. Ao analisar dados de várias áreas da aeronave, os componentes mecânicos são substituídos bem antes da data estimada para apresentarem defeito. Por exemplo, a análise de dados de um motor a jato transmitidos por sensores durante o voo pode fornecer um aviso de possíveis falhas com 15 a 30 dias de antecedência.

 

As operações de saúde podem se beneficiar do mesmo tipo de prognóstico. Certos componentes de equipamentos médicos, como scanners de ressonância magnética, degradam-se ao longo do tempo por meio do uso regular. Se for capaz de prever quando um componente precisará ser substituído, você poderá agendar a manutenção para uma ocasião em que o equipamento não estará em uso (à noite, por exemplo) e, assim, minimizar interrupções não programadas do fluxo de trabalho que prejudicam tanto os profissionais de saúde quanto os pacientes.

 

As análises preditivas ajudam a proporcionar exatamente isso. Os sensores de um scanner de ressonância magnética podem retransmitir dados técnicos para monitoramento e análise em base remota e proativa, revelando sinais precoces de alerta envolvendo problemas técnicos iminentes para uma substituição ou conserto em tempo hábil. No futuro, todos os equipamentos e dispositivos médicos de um hospital poderão ter um gêmeo digital completo — uma representação virtual que poderá ser monitorada de qualquer local e será atualizada continuamente com dados em tempo real para prever necessidades futuras de utilização e manutenção.

A análise preditiva em saúde exige mais do que apenas dados

Dado o seu potencial de tornar a prestação de atendimento clínico e a manutenção dos equipamentos mais proativas, podemos esperar um aumento da adoção das análises preditivas na área da saúde. Outras áreas de aplicação incluem prever e impedir o não comparecimento a uma consulta tendo em vista um agendamento mais eficiente de pacientes, além da modelagem e gerenciamento dos fluxos de pacientes pelos diversos setores do hospital para uma alocação otimizada de pessoal e recursos.

 

No entanto, por mais informativos que os algoritmos preditivos possam ser, seu impacto depende, em última análise, de como são usados de forma competente por especialistas dos diversos setores — médicos, enfermeiros, engenheiros, administradores de hospitais, que sabem como pesar as probabilidades no contexto único de um paciente ou cenário de saúde. É por isso que o desenvolvimento e a implantação desses algoritmos requer tanto a contribuição de especialistas quanto os mais recentes recursos analíticos.

 

As decisões podem ser fundamentadas por dados, mas continuam sendo tomadas por pessoas.