Inteligência Artificial no Monitoramento em Unidade de Terapia Intensiva (UTI)

Resumo

Inteligência Artificial no Monitoramento em Unidade de Terapia Intensiva (UTI)

1. Qual o avanço da inteligência artificial na UTI?

A busca pelo conhecimento em prol dos avanços no cuidado ao paciente crítico, adoção de estratégias inovadoras e redefinição de padrões sempre estiveram presentes no dia a dia da terapia intensiva.

Em 1998, com a criação de um protocolo de proteção pulmonar para pacientes que desenvolvem a síndrome do desconforto respiratório agudo (SDRA) é um dos exemplos transformadores na busca da individualização e precisão terapêutica.  Este estudo (Effect of a Protective-Ventilation Strategy on Mortality in the Acute Respiratory Distress Syndrome - NEJM), realizado no HCFMUSP, demonstrou ao mundo que a estratégia protetora de ventilação mecânica foi responsável por diminuir pela metade os óbitos desses pacientes em UTI.¹

 Em 2015, um outro trabalho do grupo de pesquisadores da UTI Respiratória HC FMUSP (Driving Pressure and Survival in the Acute Respiratory Distress Syndrome - NEJM) instrumentalizou a estratégia de ventilação protetora e, portanto, além de individualizar a mecânica ventilatória, foi possível ajustar a terapia conforme a evolução do pulmão, ajuste dinâmico ao momento fisiológico do paciente.²

Estes exemplos, bem como os inúmeros esforços dos últimos 20 anos relatam que o cuidado individualizado e sua relação temporal estão diretamente relacionados ao sucesso na terapia intensiva.

O monitoramento contínuo de eletrocardiografia (ECG), associado aos sinais vitais medidos intermitentemente e resultados laboratoriais armazenados em registros médicos eletrônicos, é usado para detecção precoce da deterioração clínica em pacientes de graves.³

Um estudo multicêntrico com população mista de enfermaria e UTI, validou um algoritmo baseado no aprendizado de máquinas (InSight) para a detecção e previsão de sepse, sepse grave e choque séptico com alta sensibilidade e especificidade. A análise de apenas seis sinais vitais comuns (pressão arterial sistólica, pressão arterial diastólica, frequência cardíaca, frequência respiratória, saturação de oxigênio capilar periférico e temperatura), retirados dos registros eletrônicos hospitalares, apresentou excelentes resultados, podendo ser uma opção de baixo custo para novos usuários.⁴ 

  Os dados armazenados dos registros médicos podem ser utilizados para a condução de estudos retrospectivos para melhorar as ferramentas de aprendizado das máquinas e aumentar a qualidade do uso. Conforme este estudo conduzido em um centro acadêmico de cuidados terciários, conseguiu-se prever alterações fisiológicas em até 24 horas antes da detecção clínica, podendo ser utilizadas precocemente através de máquinas antes da deterioração.⁵

O controle da ventilação mecânica tem um papel fundamental na sobrevida do paciente crítico em UTI. Por outro lado, o quão antes for percebida uma assincronia ventilatória, maiores as chances de evitar lesões pulmonares pela própria terapia e, com isso, mitigar a possibilidade de complicação infecciosa.⁶

Em um estudo global, para definição dos critérios de consenso internacional para sepse pediátrica e choque séptico, o Phoenix Sepsis Score foi validado como uma potencial ferramenta em indivíduos menores de 18 anos com infecção, podendo melhorar o atendimento clínico, avaliação epidemiológica, identificação da sepse pediátrica e choque séptico em todo o mundo.⁷

A interpretação rápida dos dados obtidos por meio de escores SOFA, SAPS3, GLASGOW e KDIGO, por exemplo, é fundamental para a obtenção de metas hemodinâmicas adequadas e tratamento precoce dos pacientes críticos.^8,9,10  Em atenção a tais demandas, cenários realísticos têm sido criados em UTIs para avaliar a precisão das ferramentas de inteligência artificial (como ChatGPT 4.0 Plus, Bard e Perplexity) na interpretação dos dados gerados pelos pacientes com a pontuação de score SOFA. O ChatGPT 4.0 Plus demonstrou um excelente desempenho, podendo ser uma ferramenta auxiliar na redução da sobrecarga de trabalho dos médicos.¹¹

Outras áreas hospitalares também estão utilizando inteligência artificial em algoritmos de aprendizado de máquinas para a avaliação de imagens cardiovasculares na tomografia computadorizada. Essa ferramenta trabalha com dados armazenados, auxiliando no diagnóstico e prognóstico médico.¹²

Observamos um ritmo semelhante de evolução na angiotomografia computadorizada, amplamente utilizada para o diagnóstico da doença arterial coronariana e em fase final de validação para uso em pacientes. Em um futuro próximo, presume-se que a inteligência artificial estará totalmente integrada ao fluxo de trabalho hospitalar, reduzindo a sobrecarga de trabalho e transferindo o foco da medicina para a precisão no tratamento.¹³