De acordo com a American Foundation for Suicide Prevention, o suicídio é a 10ª maior causa de morte nos EUA, com mais de 1,4 milhões de tentativas de suicídio registradas em 2018. Embora tratamentos eficazes estejam disponíveis para aqueles em risco, os clínicos não têm uma maneira confiável de prever quais pacientes provavelmente farão uma tentativa de suicídio.

Os pesquisadores da Universidade Médica da Carolina do Sul e da Universidade do Sul da Flórida relatam na JMIR Medical Informatics que deram passos importantes para resolver o problema, criando um algoritmo de inteligência artificial que pode identificar automaticamente os pacientes com alto risco de automutilação intencional, com base nas informações contidas nas notas clínicas do registro de saúde eletrônico.

O estudo foi conduzido por Jihad Obeid, M.D., co-diretor do Centro de Informática Biomédica do MUSC, e Brian Bunnell, Ph.D., anteriormente no MUSC e atualmente professor assistente no Departamento de Psiquiatria e Neurociências Comportamentais da Universidade do Sul da Flórida.

A equipe usou redes neurais artificiais complexas, uma forma de inteligência artificial também conhecida como aprendizagem profunda, para analisar dados textuais não estruturados no registro eletrônico de saúde. Métodos de aprendizagem profunda utilizam progressivamente camadas de redes artificiais para extrair informações superiores a partir de dados brutos de entrada. A equipe mostrou que esses modelos, uma vez treinados, poderiam identificar pacientes em risco de auto-mutilação intencional.

“Esse tipo de trabalho é importante porque aproveita as últimas tecnologias para abordar um problema importante como o suicídio e identifica pacientes em risco para que possam ser encaminhados para um gerenciamento adequado”, disse Obeid.

“Até agora, os pesquisadores têm confiado principalmente em dados estruturados no prontuário eletrônico de saúde para a identificação e previsão de pacientes em risco. Os dados estruturados referem-se a informações tabuladas que foram inseridas em campos designados no registro de saúde eletrônico como parte dos cuidados clínicos. Por exemplo, quando os médicos diagnosticam pacientes e atribuem códigos de Classificação Internacional de Doenças (CID), eles estão criando dados estruturados. Este tipo de dados tabulados e estruturados é fácil de analisar pelos programas de computador.

No entanto, 80% a 90% das informações pertinentes no prontuário médico eletrônico estão presas em formato texto. Em outras palavras, as notas clínicas, relatórios de progresso, notas de plano de saúde e outros textos narrativos no prontuário eletrônico representam um enorme recurso inexplorado para a pesquisa. O estudo de Obeid é único porque utiliza redes neurais profundas para “ler” notas clínicas no prontuário eletrônico de saúde e identificar e prever pacientes em risco de automutilação.

Após revisão da ética regulatória e aprovação da pesquisa proposta pelo Comitê de Revisão Institucional do MUSC, Obeid começou por identificar registros de pacientes associados a códigos de CDI indicativos de auto-mutilação intencional no banco de dados de pesquisa do MUSC. Esse armazém, que foi criado com o apoio do South Carolina Clinical & Translational Research Institute, fornece aos pesquisadores do MUSC acesso aos dados dos prontuários eletrônicos dos pacientes, desde que eles tenham obtido as permissões necessárias.

Para simular um cenário do mundo real, Obeid e sua equipe dividiram os registros clínicos em duas categorias temporais: registros de 2012 a 2017 que foram usados para o treinamento dos modelos e registros de 2018 a 2019 que foram usados para testar os modelos treinados. Primeiro, eles analisaram as anotações clínicas feitas durante a visita ao hospital, na qual o código do CDI foi atribuído. Usando isso como conjunto de dados de treinamento, os modelos “aprenderam” quais padrões de linguagem nas anotações clínicas dos prontuários médicos eletrônicos dos pacientes foram associados à atribuição de um código CDI de auto-mutilação intencional. Uma vez que os modelos foram treinados, eles puderam identificar esses pacientes com base apenas na análise do texto nas anotações clínicas, com uma precisão de 98,5%. Especialistas revisaram manualmente um subconjunto de prontuários para confirmar a precisão do modelo.

Próximo, a equipe testou se os modelos mais precisos poderiam usar as anotações clínicas no prontuário eletrônico para prever a futura auto-mutilação. Para tanto, a equipe de Obeid identificou os prontuários dos pacientes que apresentaram auto-mutilação intencional e treinou o modelo usando suas anotações clínicas entre seis meses a um mês antes da visita intencional ao hospital. Em seguida, eles testaram se os modelos treinados poderiam prever corretamente se esses pacientes apresentariam mais tarde com auto-mutilação intencional.

Prever futuras automutilações com base apenas em notas clínicas provou ser mais desafiador do que identificar pacientes em risco devido ao “ruído” extra que é introduzido quando grandes quantidades de história do paciente são incluídas no modelo. As notas clínicas históricas tendem a ser variadas e nem sempre relevantes. Por exemplo, se um paciente foi visto por depressão ou outros problemas de saúde mental seis meses antes da sua visita ao hospital por automutilação intencional, então as anotações clínicas provavelmente incluiriam informações relevantes. No entanto, se o paciente veio por uma condição não relacionada com a saúde mental, então as anotações eram menos prováveis de incluir informações relevantes.

Embora a inclusão de informação irrelevante introduza muito ruído na análise dos dados, toda esta informação deve ser incluída entre os pacientes nos modelos para prever os resultados. Como resultado, o modelo foi menos preciso na predição de quais pacientes apresentariam mais tarde para a auto-mutilação intencional do que simplesmente classificar os pacientes atuais para risco de suicídio. No entanto, a precisão preditiva deste modelo foi muito competitiva com a anteriormente relatada para modelos que se baseavam em dados estruturados, atingindo uma precisão de quase 80% com sensibilidade e precisão relativamente altas.

A equipe do Obeid mostrou a viabilidade de utilizar modelos de aprendizagem profunda para identificar pacientes em risco de auto-mutilação intencional com base apenas em notas clínicas. O estudo também mostrou que os modelos podem ser usados para prever, com bastante boa fidelidade, quais pacientes irão apresentar no futuro para auto-mutilação intencional baseada em anotações clínicas em seu prontuário eletrônico de saúde.

Estes resultados iniciais são promissores e podem ter grandes impactos a nível clínico. Se modelos de aprendizagem profunda podem ser usados para prever quais pacientes estão em alto risco de suicídio com base em anotações clínicas, então os clínicos podem encaminhar pacientes de alto risco mais cedo para tratamento apropriado. Usar esses modelos para classificar os pacientes como em risco de automutilação também poderia facilitar a inscrição em estudos clínicos e ensaios de potenciais novos tratamentos relevantes para o suicídio.

Em estudos futuros, Obeid pretende avaliar as mudanças na janela de tempo preditivo para seus modelos, por exemplo, olhando os registros um ano antes da apresentação de um paciente para automutilação intencional em vez de seis meses. A equipe também pretende examinar outros resultados, como suicídio ou ideação suicida. E enquanto os modelos funcionam bem no MUSC, Obeid deve agora mostrar que eles podem ser generalizados para outras instituições.

“Os modelos podem ser treinados em um local e transferidos para outro local e ainda funcionam?” perguntou Obeid. “Se a resposta for sim, então isso economiza recursos críticos porque outras instituições não terão que realizar revisões manuais caras e demoradas para confirmar que os modelos estão acertando durante os períodos de treinamento”

Sobre o MUSC

Fundada em 1824 em Charleston, a Medical University of South Carolina (MUSC) é a mais antiga escola de medicina do Sul, bem como o único centro integrado e acadêmico de ciências da saúde do estado com um encargo único para servir o estado através da educação, pesquisa e atendimento ao paciente. A cada ano, o MUSC educa e treina mais de 3.000 estudantes e cerca de 800 residentes em seis faculdades: Medicina Dentária, Pós-Graduação, Profissões de Saúde, Medicina, Enfermagem e Farmácia. Líder do estado na obtenção de fundos para pesquisa biomédica, no ano fiscal de 2019, o MUSC estabeleceu um novo patamar, trazendo mais de US$ 284 milhões. Para informações sobre programas acadêmicos, visite musc.edu.

Como o sistema de saúde clínica da Universidade de Medicina da Carolina do Sul, o MUSC Health se dedica a oferecer a mais alta qualidade no atendimento ao paciente disponível, enquanto treina gerações de profissionais de saúde competentes e compassivos para servir ao povo da Carolina do Sul e mais além. Compreendendo cerca de 1.600 leitos, mais de 100 locais de atendimento, a Faculdade de Medicina do MUSC, o plano de prática médica e quase 275 locais de telesaúde, o MUSC Health possui e opera oito hospitais situados nos condados de Charleston, Chester, Florence, Lancaster e Marion. Em 2020, pelo sexto ano consecutivo, o U.S. News & World Report nomeou o MUSC Health como o hospital nº 1 na Carolina do Sul. Para saber mais sobre os serviços clínicos do paciente, visite muschealth.org.

MUSC e suas afiliadas têm orçamentos anuais coletivos de 3,2 bilhões de dólares. Os mais de 17.000 membros da equipe do MUSC incluem professores de classe mundial, médicos, provedores de especialidades e cientistas que oferecem educação, pesquisa, tecnologia e atendimento ao paciente inovadores.

Sobre o Instituto SCTR

O Instituto de Pesquisa Translacional (SCTR) da Carolina do Sul &O Instituto de Pesquisa Translacional (SCTR) é o catalisador para mudar a cultura da pesquisa biomédica, facilitando o compartilhamento de recursos e expertise e racionalizando os processos relacionados à pesquisa para provocar mudanças em larga escala nos esforços de pesquisa clínica e translacional na Carolina do Sul. Nossa visão é melhorar os resultados de saúde e a qualidade de vida da população através de descobertas traduzidas em práticas baseadas em evidências. Para saber mais, visite https://research.musc.edu/resources/sctr