AI for pRedicting Exacerbations in KIDs with aSthma (AIRE-KIDS)
O estudo AIRE-KIDS desenvolveu e validou um modelo de aprendizado de máquina utilizando registros médicos eletrônicos, dados ambientais e informações de vizinhança para prever com precisão exacerbações graves de asma em crianças, demonstrando desempenho superior em relação às regras de decisão atuais ao atingir uma AUC de 0,712 e um escore F1 de 0,51.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
A asma é uma condição comum em crianças, fazendo com que suas vias aéreas se estreitem e dificultando a respiração. Embora muitas crianças controlem bem seus sintomas em casa, algumas apresentam crises graves que exigem uma ida ao pronto-socorro. Mesmo após receberem tratamento, um número significativo dessas crianças retorna dentro de um ano para outro episódio grave. Esse ciclo não é apenas um sofrimento pessoal para as famílias; ele coloca um pesado estresse sobre os hospitais e o sistema de saúde. O desafio para os médicos é que eles não podem possivelmente fornecer educação e cuidados intensivos e especializados para cada criança que visita o pronto-socorro, pois simplesmente não há recursos suficientes. Em vez disso, as equipes médicas precisam de uma maneira de identificar as crianças específicas que têm maior probabilidade de retornar, para que possam ser encaminhadas a um programa de cuidados abrangente que ajude a prevenir crises futuras. Por décadas, os médicos confiaram em listas de verificação simples e em seu próprio julgamento para tomar essas decisões, mas esses métodos frequentemente deixam passar os pacientes mais vulneráveis ou sinalizam aqueles que não precisam de ajuda extra.
Em um estudo recente no Children's Hospital of Eastern Ontario, pesquisadores buscaram construir uma ferramenta mais precisa para resolver esse problema. Eles recorreram ao aprendizado de máquina (machine learning), um tipo de ciência da computação onde o software aprende a reconhecer padrões em grandes quantidades de dados. A equipe reuniu registros de quase 3.000 crianças que visitaram o pronto-socorro por asma entre 2017 e 2019. Esses registros incluíam detalhes sobre o histórico médico das crianças, como visitas anteriores, a idade e se elas tinham outras alergias, como sensibilidades alimentares. Os dados também capturaram a gravidade da crise atual, quanto tempo esperaram para serem atendidas por um médico e até fatores ambientais, como a qualidade do ar em seu bairro. Os pesquisadores queriam ver se um computador poderia olhar para todas essas diferentes peças de informação e prever quais crianças retornariam ao hospital no próximo ano.
Para testar sua ideia, a equipe treinou vários tipos diferentes de modelos computacionais. Eles incluíram três abordagens mais novas baseadas em grandes modelos de linguagem, que são o mesmo tipo de sistemas de inteligência artificial poderosos frequentemente usados para escrever textos ou responder a perguntas complexas. Eles também testaram modelos tradicionais baseados em árvores, que funcionam fazendo uma série de decisões de sim ou não com base nos dados, de forma semelhante a como um médico pode pesar diferentes sintomas. Os pesquisadores dividiram seus dados em dois grupos: um grupo para ensinar os modelos e um segundo grupo separado para testar o quão bem os modelos performaram em novos pacientes não vistos anteriormente. Eles compararam as previsões do computador com a regra padrão atual do hospital, que aciona um alerta para pacientes de alto risco com base em alguns critérios específicos, como ter uma visita anterior e uma pontuação de gravidade alta na triagem.
Os resultados mostraram que os modelos tradicionais baseados em árvores foram muito superiores aos novos modelos de linguagem para essa tarefa específica. O modelo de melhor desempenho, que os pesquisadores chamaram de AIRE-KIDS, identificou com sucesso crianças com alto risco de retornar ao pronto-socorro ou de serem hospitalizadas. Ao serem testados no grupo de crianças de 2022 e 2023, este modelo provou ser significativamente mais preciso do que a regra atual do hospital. Enquanto a regra existente identificava corretamente cerca de um terço das crianças que retornariam, o novo modelo identificou corretamente mais da metade. O computador aprendeu que as pistas mais fortes para um retorno futuro não eram apenas a gravidade atual da crise, mas também o histórico de visitas anteriores da criança, sua idade, se ela tinha alergias alimentares e quão complexas eram suas necessidades médicas gerais. Surpreendentemente, fatores ambientais como a poluição do ar, que os pesquisadores esperavam que fossem um grande preditor, não melhoraram significamente a precisão do modelo e foram deixados de fora da versão final para mantê-la simples e fácil de usar.
O estudo também descobriu que os sistemas de inteligência artificial mais novos e complexos, conhecidos como grandes modelos de linguagem, não tiveram o mesmo desempenho que os modelos mais simples e especializados. Apesar da popularidade desses sistemas avançados em outros campos, eles tiveram dificuldade em encontrar os padrões corretos nesses dados médicos específicos. Os pesquisadores concluíram que, para a previsão de desfechos de asma em crianças, um modelo focado e interpretável é mais eficaz do que um de propósito geral e amplo. O modelo final utiliza um conjunto pequeno e gerenciável de fatos que estão prontamente disponíveis nos registros eletrônicos do hospital no momento em que a criança entra no hospital. Isso significa que a ferramenta poderia ser integrada diretamente ao fluxo de trabalho do pronto-socorro, alertando os médicos para encaminhar as crianças mais vulneráveis ao cuidado especializado imediatamente. Ao fazer isso, o hospital espera quebrar o ciclo de visitas repetidas, garantindo que as crianças que mais precisam de ajuda a recebam, enquanto utiliza os recursos limitados de forma mais eficiente.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.