IA para ajudar os médicos a desenvolver tratamentos personalizados

IA para ajudar os médicos a desenvolver tratamentos personalizados

Nenhum paciente é o mesmo. Parece óbvio, mas muitas vezes os médicos tratam pacientes com o mesmo diagnóstico de maneira semelhante. Nossa equipe se voltou para a IA - e desenvolveu um software, descrito em nossos artigos mais recentes, para ajudar os médicos a personalizar os tratamentos para diferentes pacientes com exatamente o mesmo diagnóstico.

Combinamos as informações das diretrizes de tratamento clínico com dados históricos de registros eletrônicos de saúde. O resultado foi uma surpresa: descobrimos que, na maioria das vezes, existem várias opções de tratamento, algumas das quais podem não ser consideradas no processo de planejamento do tratamento. Nosso modelo pode permitir que os médicos considerem as experiências de melhores práticas de seus colegas para ajudá-los a tomar decisões mais informadas sobre um tratamento para um paciente específico. [1, 2]

Normalmente, os médicos usam a medicina baseada em evidências que integra a pesquisa disponível com a experiência clínica e os dados do paciente para tomar as decisões de tratamento mais informadas. Isso significa confiar principalmente nos resultados de ensaios clínicos randomizados. Mas esses estudos nem sempre cobrem todas as condições clínicas e geralmente envolvem um número relativamente pequeno de sujeitos do estudo. Eles também tentam remover o máximo de variáveis ​​possível para permanecerem aleatórios - o que significa que os assuntos em estudo podem frequentemente representar um grupo relativamente homogêneo que não é muito representativo do mundo real.

O fluxo de trabalho das opções gerais de tratamento de coorte de precisão.  As etapas 1 e 2 constituem a etapa de preparação, realizada offline e antecipadamente.  As etapas 3 e 4 formam o estágio de tempo de execução, usado quase em tempo real durante o encontro de visita do paciente.

O fluxo de trabalho das Opções Gerais de Tratamento de Coorte de Precisão. As etapas 1 e 2 constituem a etapa de preparação, realizada offline e antecipadamente. As etapas 3 e 4 formam o estágio de tempo de execução, usado quase em tempo real durante o encontro de visita do paciente.

Para criar o software, nossa IA primeiro vasculhou o banco de dados da Atrius Health - um grande provedor de cuidados de saúde no leste de Massachusetts com mais de 20 anos de dados para aproximadamente 2,5 milhões de pacientes. Analisamos especificamente os registros de pacientes que sofrem de uma das três doenças crônicas: hipertensão, diabetes tipo 2 e hiperlipidemia ou colesterol alto. Em seguida, pegamos as diretrizes de tratamento clínico de referência para cada doença e extraímos manualmente o conjunto de medicamentos recomendados e os fatores que determinam quais pacientes devem ser prescritos. [1]

O resultado foi uma surpresa: descobrimos que, na maioria das vezes, existe um tratamento melhor do que aquele escolhido por um médico específico.

Em seguida, coletamos os dados históricos do paciente dos registros eletrônicos de saúde da Atrius e identificamos os chamados pontos de decisão: consultas médicas em que o estado de doença do paciente não era controlado. Para cada ponto de decisão, extraímos todas as informações disponíveis sobre o paciente até aquele momento, como quaisquer decisões de tratamento medicamentoso, resultados de exames laboratoriais e outras doenças, e se a doença estava sob controle durante as visitas de acompanhamento. [1]

Armados com todos esses dados, treinamos modelos de aprendizado de máquina específicos para doenças para identificar pontos de decisão semelhantes em outras partes dos dados. O resultado foi uma chamada “coorte de precisão” - um grupo de pacientes que se aproxima bastante com base em suas características individuais e sua situação clínica precisa.

Essas coortes nos permitiram estudar as respostas dos pacientes a vários tratamentos por diferentes médicos na mesma instituição em cenários clínicos semelhantes. Dessa forma, pudemos determinar as opções de tratamento de melhor resultado - aquelas que produzem o nível mais alto de controle da doença - na instituição para pacientes semelhantes ao paciente individual em situações clínicas semelhantes.

Por exemplo, um diagrama abaixo mostra um exemplo de tratamentos observados e resultados associados para uma coorte de precisão. A coorte consiste em dados de pacientes todos semelhantes a um paciente individual específico na mesma situação clínica. No exemplo, todos os pacientes da coorte têm um diagnóstico de hipertensão e são tratados apenas com um bloqueador do receptor de angiotensina (ARB). Na coluna do meio, detalhamos as opções de tratamento de vários médicos da prática, e a largura do “dente” mostra o tamanho relativo da coorte que escolheu essa opção.

Visualização de coorte de precisão no EHR.  Este diagrama descreve os resultados observados para uma coorte de precisão de pacientes que são semelhantes ao paciente individual na mesma situação clínica (definida pelo modelo de similaridade).  Neste exemplo, todos os pacientes da coorte têm um diagnóstico de hipertensão e são tratados apenas com um bloqueador do receptor de angiotensina (ARB) (coluna 1).  Na coluna do meio, outros médicos na prática escolheram várias opções de tratamento.  A largura do “pino” mostra o tamanho relativo da coorte que escolheu essa opção.  A escolha mais comum era não fazer nenhuma mudança na classe de medicamentos ARB.  No cenário sem alterações, apenas 40% desses pacientes tinham pressão arterial (PA) controlada na medição de acompanhamento.  Todas as pontas acima do grupo sem mudança tiveram um aumento na porcentagem controlada no acompanhamento.  As coortes de tratamento em verde tiveram uma mudança estatisticamente significativa na porcentagem controlada.  As pontas abaixo do grupo sem mudança tiveram uma porcentagem menor de controle no acompanhamento, e as pontas vermelhas indicam uma mudança estatisticamente significativa.

Visualização de coorte de precisão nos registros eletrônicos de saúde

Notamos que a escolha mais comum era não fazer nenhuma alteração na classe de medicamentos ARB. No cenário sem mudanças, apenas 40% desses pacientes tinham pressão arterial controlada na medição de acompanhamento. Todas as pontas acima do grupo sem mudança tiveram um aumento na porcentagem controlada no acompanhamento; as coortes de tratamento em verde tiveram uma mudança estatisticamente significativa na porcentagem controlada. As pontas abaixo do grupo sem mudança tiveram uma porcentagem menor de controle no acompanhamento, e as pontas vermelhas indicam uma mudança estatisticamente significativa.

Melhores opções disponíveis

Este exemplo mostra claramente que, mesmo para uma coorte relativamente homogênea, os médicos da mesma organização selecionaram muitas opções de tratamento diferentes. Alguns tratamentos foram selecionados com mais frequência do que outros e alguns tratamentos tiveram melhores resultados de controle de doenças associadas do que outros.

Aprendemos que, na grande maioria dos casos das três doenças, havia vários outros planos de tratamento além daquele escolhido por um médico específico. Para hipertensão, 65,1 por cento dos casos poderiam ter apresentado aos médicos várias vias de tratamento com base em uma análise de coortes de precisão, para diabetes tipo 2 - 37,7 por cento e para colesterol alto - 75,3 por cento [2]. Se aplicado em um ambiente clínico, revelar esses dados pode permitir aos médicos informações precisas e personalizadas que podem ajudá-los a tomar decisões de tratamento personalizadas e baseadas em dados para seus pacientes.

Nosso método não se limita a essas três doenças e pode ser aplicado a qualquer situação de tratamento de doença, onde experiências anteriores relevantes de pacientes em situações semelhantes podem ajudar a informar melhor a tomada de decisão clínica.

Acreditamos que nosso software poderia ajudar os médicos a conhecer as melhores experiências de prática de outros médicos e as lições que aprenderam com as miríades de interações médico-paciente capturadas em registros eletrônicos de saúde. Isso, combinado com as diretrizes de tratamento tradicionais, pode potencialmente ajudá-los a tomar decisões mais informadas sobre o melhor tratamento para pacientes individuais.

No entanto, nossa pesquisa ainda não acabou. Um dos maiores desafios é a necessidade de conjuntos de dados observacionais grandes o suficiente para cobrir a variedade de doenças e opções de tratamento. Agora estamos explorando várias abordagens para enfrentar esse desafio - incluindo maneiras mais eficientes de usar os dados existentes, como ponderar elementos de dados em vez de filtrar alguns e combinar vários conjuntos de dados.

Com arquivos digitais e registros eletrônicos, não faltam dados brutos. Mas inundar os médicos com quantidades avassaladoras de dados não é útil. Nosso modelo é uma ferramenta para extrair e visualizar os insights nos dados - que podem ajudá-los a tomar decisões mais informadas.

  1. Kenney Ng, Uri Kartoun, Harry Stavropoulos, John Zambrano, Paul C Tang, opções de tratamento personalizado para doenças crônicas usando análise de coorte de precisão, Relatórios Científicos, 13 de janeiro de 2021, https://doi.org/10.1038/s41598-021-80967-5
  2. Paul C Tang, Sarah Miller, Harry Stavropoulos, Uri Kartoun, John Zambrano, Kenney Ng, Análise de população de precisão: gerenciamento de população no ponto de atendimento, Journal of the American Medical Informatics Association, ocaa247, https://doi.org/10.1093/jamia/ocaa247

Inventando o que vem a seguir.

Mantenha-se atualizado com os anúncios, pesquisas e eventos mais recentes da Brutalk Research por meio de nosso boletim informativo.

Você também pode estar interessado em