Da ideação à avaliação de algoritmos de inteligência artificial para predição de sepse
relato de experiência
Palavras-chave:
Sepse, Algoritmos, Inteligência artificialResumo
Introdução: A sepse, infecção que se apresenta como problema em unidades intensivas, gerando a necessidade de intervenções tecnologias. Relatar a experiência de desenvolvimento de algoritmos de inteligência artificial para a predição da sepse em pacientes de UTI. Método: O estudo envolveu fases de ideação, planejamento e desenvolvimento. A ideação surgiu durante estágios de graduação, impulsionada por desafios observados, como erros de diagnóstico e infecções hospitalares. O planejamento incluiu uma revisão de escopo para identificar tecnologias existentes e a escolha de um hospital em Fortaleza como local de pesquisa. O desenvolvimento do algoritmo utilizou o processo Knowledge Discovery in Databases. Resultados: resultados preliminares indicaram eficácia acima de 80% nas métricas de avaliação. Conclusão: Destaca-se a importância de pesquisas e desenvolvimento de tecnologias no contexto do sistema público de saúde, adaptadas às necessidades dos pacientes e serviços.
Downloads
Referências
Bloch E, Azaria A, Lieberthal G, et al. Machine learning models for analysis of vital signs dynamics: a case for sepsis onset prediction. J Healthc Eng. 2019;2019:1-10.
Brasil, Ministério da Saúde. Revolução da inteligência artificial: uso na saúde traz novas possibilidades. Biblioteca Virtual em Saúde. 2023.
Churpek MM, Yuen TC, Winslow C, et al. Multicenter comparison of machine learning methods and conventional regression for predicting clinical deterioration on the wards. Crit Care Med. 2016;44(2):368.
Brasil. Lei Geral de Proteção de Dados Pessoais (LGPD). (Redação dada pela Lei nº 13.853, de 2019). 2019.
Clark P, Niblett T. The CN2 induction algorithm. Mach Learn. 1989;3:261-83.
Husabø G, Næss-Pleym LE, Solligård E, et al. Early diagnosis of sepsis in emergency departments, time to treatment, and association with mortality: an observational study. PLoS One. 2020;15(1).
Churpek MM, Snyder A, Han X, et al. Quick sepsis-related organ failure assessment, systemic inflammatory response syndrome, and early warning scores for detecting clinical deterioration in infected patients outside the intensive care unit. Am J Respir Crit Care Med. 2017;195(7):906-11.
Johnson AEW, Pollard TJ, Shen L, et al. MIMIC-III, a freely accessible critical care database. Sci Data. 2016;3(1):1-9.
Passos, TS. Proposta de melhoria do acolhimento da demanda espontânea utilizando ferramentas de gestão da qualidade: estudo de caso em uma unidade básica de saúde do agreste sergipano. Revista de Administração em Saúde. 2023; 23.91.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2024 Revista de Saúde Digital e Tecnologias Educacionais
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Os originais aceitos e publicados tornam-se propriedade da Revista Brasileira de Tecnologias Educacionais em Saúde. A revista adota a Licença Creative Commons, CC BY-NC. É possível acessar, baixar (download), copiar, imprimir, compartilhar e distribuir os artigos publicados conosco, desde que para uso não comercial, mencionando a RESDITE e atribuindo os créditos de autoria. A revista permite que os autores distribuam a versão do trabalho publicada conosco (ex.: em repositórios institucionais), desde que seja reconhecida a autoria e a publicação inicial na RESDITE.
