blog

Jun 11, 2024

Investigando casos de uso de IA e ferramentas de TI em serviços médicos de emergência

Fonte: Thinkstock 25 de julho de 2023 - Os serviços médicos de emergência (EMS) e as equipes de primeira resposta desempenham um papel fundamental na prestação de cuidados de saúde oportunos e que salvam vidas. Para ajudar a tornar o atendimento de emergência mais

Fonte: Thinkstock

25 de julho de 2023 - Os serviços médicos de emergência (EMS) e as equipes de primeira resposta desempenham um papel fundamental na prestação de cuidados de saúde oportunos e que salvam vidas. Para ajudar a tornar o atendimento de emergência mais eficiente e melhorar os resultados dos pacientes, muitas organizações de EMS estão avaliando possíveis casos de uso de inteligência artificial (IA) e ferramentas de TI em saúde.

No entanto, as diferenças no tipo de agência do EMS, no financiamento, nos volumes e na composição da força de trabalho, nos recursos e no acesso aos dados, conforme destacado na Avaliação Nacional de Serviços Médicos de Emergência de 2020, podem afetar as tecnologias e os casos de utilização que uma organização pode visar.

De acordo com especialistas, as ferramentas de IA e TI podem resolver dois dos pontos problemáticos mais comuns no EMS: garantir o máximo tempo de atividade e estabilidade do software de gestão de incidentes móveis e melhorar a triagem dos pacientes.

O departamento de EMS do Centro Médico da Universidade de Pittsburgh (UPMC) está adotando uma abordagem diferente para otimizar seu fluxo de trabalho e melhorar os resultados dos pacientes, construindo uma ferramenta de aprendizado de máquina (ML) que usa eletrocardiogramas (ECG/EKG) para classificar eventos cardíacos.

Normalmente, o pessoal do EMS e outras equipes médicas usam sistemas de classificação como história, ECG, idade, fatores de risco e pontuação de troponina (HEART) para estratificar o risco de pacientes com dor no peito, explicou Christian Martin-Gill, MD, chefe da divisão EMS da UPMC . O escore HEART, além da interpretação clínica experiente dos ECGs, é considerado a medida padrão-ouro para avaliar possíveis eventos cardíacos.

No entanto, estratificar e identificar com precisão os pacientes que sofrem um evento cardíaco grave, como um ataque cardíaco, pode ser um desafio. ECGs pouco claros são um grande obstáculo com o qual as equipes de atendimento devem lidar ao fazer a triagem de pacientes com dor torácica e podem levar a atrasos no atendimento que podem impactar negativamente os resultados dos pacientes.

Martin-Gill indicou que, além deste problema, as limitações nos escores de risco comumente utilizados também apresentam potenciais deficiências na triagem da dor torácica.

“Se você pensar em escores de risco clínico como o escore HEART, ele se baseia em grande parte nos fatores do histórico do paciente e, em seguida, em alguns fatores clínicos, como uma enzima cardíaca no sangue, e então em nossa interpretação geral do ECG, mas combinado com alguns dados médicos anteriores. história ou outros fatores de risco clínicos como idade”, afirmou. “E qualquer um desses tipos de pontuações de fatores de risco geralmente se baseia em alguns dados. Se você pensar nas pessoas que desenvolvem isso, elas podem avaliar uma dúzia ou duas dúzias de fatores que podem colocar alguém em risco de um diagnóstico versus outro. Então, desenvolvemos essas pontuações de risco com base naquele punhado de características que predispõem alguém ou estão associadas a esse diagnóstico.”

O ML permite a análise de centenas de recursos em um ECG de uma só vez. Martin-Gill ressaltou que esses algoritmos poderiam processar uma grande quantidade de dados brutos de cada paciente com base nas leituras de ECG, proporcionando uma visão mais abrangente da saúde cardíaca do paciente.

A ferramenta de ML desenvolvida por Martin-Gill e sua equipe, e validada externamente em sistemas de saúde fora da UPMC, pode examinar quase 700 características encontradas em ECGs, o que pode ajudar as equipes de EMS a identificar condições como isquemia cardíaca ou bloqueios nos vasos sanguíneos. A ferramenta foi projetada para apoiar a interpretação humana de ECGs, pois os algoritmos podem analisar e interpretar um maior número de características de dados, incluindo aquelas que podem não ser observáveis ​​a olho nu.

“Pensamos nisso como uma ferramenta que não substitui a interpretação de um médico ou paramédico do [ECG] de 12 derivações, mas uma das próximas etapas que estamos dando é desenvolver um painel onde possamos colocar as informações que o algoritmo está melhorando”, disse Martin-Gill.

Ele observou ainda que a ferramenta se destina a ajudar os usuários a examinar mais de perto as partes do ECG que são anormais ou importantes, mas sutis e, portanto, fáceis de perder.

Nos próximos anos, a ferramenta será aproveitada em parceria com o Bureau of Emergency Medical Services da cidade de Pittsburgh.