Development and validation of an algorithm to identify front-line clinicians using EHR audit log data

Este estudo desenvolveu e validou um algoritmo escalável baseado em registros de auditoria de prontuários eletrônicos que identificou com 91% de precisão o clínico de primeira linha responsável pelo cuidado do paciente em cada dia de internação, superando abordagens baseadas apenas na frequência de ações.

O essencial

Imagine que um hospital é como uma orquestra gigante tocando uma sinfonia complexa todos os dias. Para que o paciente (o ouvinte) tenha uma experiência perfeita, muitos músicos (médicos, enfermeiros, assistentes) precisam trabalhar juntos. Mas, em meio a tanta gente, é difícil saber exatamente quem é o maestro responsável por cada nota naquele dia específico.

Geralmente, descobrir quem é esse "maestro principal" exigiria que alguém fosse de sala em sala, lendo papéis e perguntando a cada um: "Ei, quem está no comando hoje?". Isso seria como tentar achar uma agulha num palheiro, demorado e cansativo.

Os autores deste estudo tiveram uma ideia brilhante: e se usássemos os "rastros digitais" do hospital?

O Que Eles Fizeram?

Eles criaram um detetive de computador (um algoritmo) que olha para os registros eletrônicos do hospital. Pense nesses registros como a "caixa preta" de um avião ou o histórico de um aplicativo de celular. Sempre que um médico abre um prontuário, pede um exame ou escreve uma nota, o sistema deixa um rastro.

O objetivo do detetive era simples: olhar para esses rastros e dizer, com precisão, quem foi o profissional que mais cuidou do paciente em cada dia da internação.

Como Funcionou a Prova?

1. O Treinamento: Eles pegaram dados de 12 hospitais e criaram quatro versões diferentes desse detetive.
2. O Teste de Realidade: Para ver se o detetive era bom, eles pegaram 1.401 dias de internação e compararam a resposta do computador com o que uma equipe humana descobriu lendo os papéis manualmente (o "padrão ouro").
3. O Resultado:
   • A versão mais simples (que apenas contava quantas vezes alguém clicou no sistema) acertou apenas 78% das vezes. Era como tentar adivinhar quem é o chefe apenas por quem fala mais alto na sala.
   • O melhor algoritmo, no entanto, acertou 91% das vezes! Ele conseguiu entender nuances, como quem estava realmente no comando, mesmo quando havia trocas de turno ou compartilhamento de tarefas.

O Que Eles Descobriram?

Ao aplicar esse detetive inteligente em todos os pacientes do estudo (mais de 34 mil dias de internação), eles viram que:

• A maioria dos dias (79%) era liderada pelo médico assistente (o "chefe" da equipe).
• Os residentes (médicos em formação) lideravam 9% dos dias.
• Os profissionais de prática avançada (como enfermeiros especialistas) lideravam 12% dos dias.
• Em média, havia apenas 1 troca de "maestro" por internação, o que sugere que a continuidade do cuidado é razoavelmente boa, mas ainda há espaço para melhorar.

Por Que Isso é Importante?

Imagine que você quer melhorar a qualidade de uma orquestra. Antes, você não sabia quem estava tocando cada instrumento. Agora, com essa ferramenta, você pode ver exatamente quem está no comando, onde estão as falhas na comunicação e como garantir que o paciente nunca fique "sem maestro".

Em resumo: Os pesquisadores criaram um sistema inteligente que usa os dados digitais do hospital para identificar automaticamente quem é o médico principal de cada paciente, dia após dia. Isso economiza tempo, evita erros humanos e ajuda a entender melhor como o cuidado médico flui na vida real. É como ter um GPS que mostra quem está dirigindo o carro do paciente em cada quilômetro da viagem hospitalar.

Resumo técnico

Resumo Técnico: Desenvolvimento e Validação de um Algoritmo para Identificar Clínicos de Primeira Linha usando Dados de Log de Auditoria de EHR

1. Problema Identificado

As equipes interprofissionais são fundamentais para a qualidade do cuidado ao paciente. No entanto, identificar o clínico primariamente responsável por um paciente em um determinado dia é um processo que tradicionalmente exige metodologias intensivas em mão de obra (como revisão manual de prontuários). Embora os logs de auditoria de Registros Eletrônicos de Saúde (EHR) ofereçam uma alternativa escalável, o uso desses dados para identificar sistematicamente os clínicos de primeira linha (front-line) ainda é subdesenvolvido e carece de validação robusta.

2. Metodologia

O estudo foi desenhado como uma coorte transversal realizada em 12 hospitais de um único sistema de saúde que compartilha o mesmo EHR.

• População e Critérios: Foram incluídas admissões de pacientes adultos em medicina interna entre 1º de fevereiro de 2023 e 30 de abril de 2023. Os critérios de elegibilidade exigiram uma estadia mínima de 3 dias e a exclusão de admissões em Unidades de Terapia Intensiva (UTI).
• Desenvolvimento do Algoritmo: Foram projetadas quatro iterações de algoritmos para identificar, para cada "dia-paciente" de uma internação, quem era o médico assistente, residente ou provedor de prática avançada (APP) principalmente responsável pelo cuidado.
• Validação: O desempenho de cada algoritmo foi comparado com uma revisão manual de prontuários (padrão-ouro) realizada em uma amostra aleatória de 246 episódios de atendimento, totalizando 1.401 dias-paciente.
• Análise Estatística: A precisão entre o algoritmo e o padrão-ouro foi comparada utilizando o teste de McNemar com valores de p ajustados por Bonferroni.

3. Contribuições Principais

• Inovação Metodológica: Desenvolvimento de um algoritmo escalável baseado em logs de auditoria de EHR que supera a abordagem ingênua baseada apenas na frequência de ações do usuário.
• Granularidade Temporal: Capacidade de identificar o clínico responsável não apenas por episódio de internação, mas especificamente por "dia-paciente", permitindo uma análise fina da continuidade do cuidado.
• Validação Rigorosa: Validação empírica contra revisão manual de prontuários em um grande conjunto de dados reais, estabelecendo métricas de desempenho claras.

4. Resultados

• Desempenho do Algoritmo: O algoritmo de melhor desempenho identificou corretamente o clínico responsável em 91% dos dias-paciente (1.268/1.401).
• Comparação: Este resultado superou significativamente a abordagem ingênua baseada na frequência de ações, que obteve apenas 78% de precisão (1.098/1.401; p < 0,001).
• Fontes de Erro: Os erros do algoritmo foram atribuídos principalmente a:
  • Identificação incorreta de especialidades.
  • Ambiguidade em dias com transições de cuidado.
  • Responsabilidades compartilhadas entre múltiplos clínicos.
• Aplicação em Larga Escala: Ao aplicar o algoritmo à coorte completa (5.801 episódios e 34.001 dias-paciente), os resultados mostraram a distribuição de responsabilidade:
  • Médicos assistentes: 79% (26.750 dias).
  • Provedores de Prática Avançada (APPs): 12% (4.145 dias).
  • Médicos residentes: 9% (3.106 dias).
• Padrões de Continuidade: A mediana de "handoffs" (transferências de cuidado) entre clínicos de primeira linha por episódio foi de 1 (IQR 0-2).

5. Significância e Impacto

O estudo demonstra que é possível desenvolver um algoritmo baseado em logs de auditoria que determina o clínico de primeira linha com excelente precisão em comparação à revisão manual. Isso permite:

1. Escalabilidade: A análise de grandes volumes de dados de saúde sem a necessidade de revisão manual onerosa.
2. Melhoria da Qualidade: Facilita a pesquisa sobre padrões de continuidade do cuidado, transições e responsabilidades em equipes interprofissionais.
3. Otimização Operacional: Oferece aos sistemas de saúde uma ferramenta para monitorar a carga de trabalho e a distribuição de responsabilidades clínicas em tempo real, apoiando decisões administrativas e clínicas baseadas em dados.