Existem caminhos tecnológicos que tornam os processos de classificação de eventos mais assertivos
Um dos pilares de melhoria da qualidade da assistência nos hospitais está na prevenção de eventos adversos e situações que colocam, em risco, a segurança dos pacientes. Para isso, os relatórios de incidentes e eventos adversos relacionados à assistência à saúde são imprescindíveis, pois mostram, com exatidão, quais procedimentos, áreas e cenários apresentam maior probabilidade de falhas.
Porém, esses relatórios muitas vezes dependem de avaliações subjetivas dos profissionais de saúde, o que torna a classificação e a análise posterior mais complicada e, por vezes, exige uma reclassificação. Principalmente quando há um alto número de eventos apontados como “diversos” ou “outros” e nas áreas onde é possível dissertar livremente sobre o ocorrido.
Para melhorar a qualidade desses relatórios, muitos sistemas têm aderido à automatização por meio do PLN (processamento de linguagem natural, uma técnica que utiliza ciência da computação, inteligência artificial e linguística para compreender, de forma automática, um tipo de linguagem humana) e do machine learning (aprendizagem da máquina).
Porém, o PLN estático, que não faz uma interpretação de texto, deixa muito a desejar e compromete a qualidade da classificação. Para melhorar essa etapa, é possível aderir a processos de deep learning que conseguem interpretar as palavras não individualmente, mas sim dentro de cada contexto. Ou seja, utilizar o PLN neural.
Pensando em todo esse cenário tecnológico que chega para otimizar os processos hospitalares e contribuir com a segurança do paciente, um estudo (1) conduzido nos Estados Unidos buscou compreender se, de fato, a adoção de modelos de representação contextual dentro das estratégias de machine learning tornam realmente os relatórios mais assertivos.
O estudo foi conduzido em uma maternidade onde 861 relatórios foram anonimizados. Esses relatórios traziam 25 tipos de eventos adversos, entre eles complicações de cirurgia, quedas e questões relacionadas a medicamentos, porém a avaliação utilizou apenas o campo de texto livre para o comparativo. Então, foram segmentados sete tipos de eventos:
- Coordenação e comunicação do cuidado
- Exames laboratoriais
- Relacionados a medicamentos
- Omissões e erros de diagnóstico ou no monitoramento
- Maternos
- Equipamentos e dispositivos
- Suprimentos
Depois de tratar os dados obtidos, os pesquisadores traçaram um comparativo entre os relatórios que utilizaram PLN estático e aqueles que utilizaram PLN neural, ou seja, com a compreensão do contexto. Como resultado, o estudo indica que o PLN estático gera uma precisão de 0,67 enquanto o neural consegue chegar à precisão de 0,75, (em uma escala até 1,0) o que representa aumento de 8%.
Observações paralelas
O estudo também identificou que entre as sete classificações analisadas, as que mais apresentam falhas nos relatórios são omissões e erros de diagnóstico e de monitoramento e eventos relacionados a medicamentos. O que os pesquisadores sugerem é que essas falhas ocorrem principalmente pelo fato de que um mesmo evento pode estar relacionado a duas causas (como um erro de medicação originado por uma falha na comunicação) e pela inserção de ambas as classificações.
Outro ponto de atenção alertado pelo estudo diz respeito à necessidade de os profissionais de saúde serem bem treinados para essa classificação e contarem, também, com atualizações de software que tornem esse processo mais fácil e assertivo, até mesmo fornecendo recomendações aos relatores para reduzir a necessidade de memorização de todas as classificações.
O Dr. Lucas Zambon, Diretor Científico do IBSP, comenta que:
As questões relacionadas ao uso da Inteligência Artificial no campo da Segurança do Paciente ainda estão no seu início. Este artigo traz uma abordagem interessante, sobre seu uso na gestão de notificação de incidentes, algo que ocorre em toda instituição que trabalha minimamente a questão da segurança do paciente. O que por hora podemos afirmar é que há um grande potencial na aplicação da PLN neural com aprendizado de máquina, mas isso ainda é algo que não chegará tão rápido e com viabilidade econômica para a maioria das organizações. Mas como o futuro está batendo à nossa porta, podemos esperar que em breve estaremos discutindo novos processos na gestão da segurança e qualidade nas organizações de saúde.
Materiais Científicos
Notícias
Eventos
