An Online Survey of Healthcare Professionals to Understand the Use of Clinical Prediction Models in Practice
Este estudo pesquisou 157 profissionais de saúde para revelar que, embora os modelos de predição clínica sejam geralmente valorizados e amplamente utilizados, sua implementação eficaz é dificultada por problemas de integração no fluxo de trabalho, incerteza regulatória e adoção inconsistente, necessitando de um esforço coordenado para garantir que os modelos sejam transparentes, amigáveis ao usuário e rigorosamente validados para a prática do mundo real.
Artigo original sob licença CC BY 4.0 (https://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
Imagine o corpo humano como uma cidade enorme e movimentada, onde milhões de pequenos eventos acontecem a cada segundo. Os médicos são os planejadores urbanos tentando manter tudo funcionando perfeitamente, mas às vezes eles precisam de um pouco de ajuda para prever engarrafamentos, quedas de energia ou tempestades antes que aconteçam. É aqui que entram os Modelos de Predição Clínica (MPCs). Pense nesses modelos não como bolas de cristal mágicas, mas como aplicativos de previsão do tempo altamente sofisticados para o corpo humano. Eles pegam um conjunto de pistas diferentes — como a idade de uma pessoa, seu histórico familiar ou seus sintomas atuais — e processam os números para estimar a probabilidade de um evento de saúde futuro, como um ataque cardíaco ou um derrame. Embora essas ferramentas digitais devam ser os parceiros definitivos para os médicos, tornando as decisões mais rápidas e seguras, há um mistério: por que elas não estão sendo usadas em todos os lugares? Alguns médicos juram por elas, enquanto outros mal sabem que elas existem. Compreender essa lacuna é crucial porque, se não conseguirmos colocar essas ferramentas úteis nas mãos das pessoas que precisam delas, podemos perder a oportunidade de salvar vidas ou prevenir doenças.
Este artigo é como uma pesquisa global de "levantar a mão" enviada a profissionais de saúde para descobrir exatamente o que está acontecendo com esses modelos de predição. Os pesquisadores, uma equipe da Universidade de Liverpool, queriam saber: médicos e enfermeiros realmente usam essas ferramentas? Eles gostam delas? E, se não as usam, o que os impede? Eles pediram a 157 profissionais de saúde de todo o mundo (embora a maioria fosse do Reino Unido) que preenchessem um questionário online.
Aqui está o que descobriram: a maioria das pessoas pesquisadas (82%) sabia que esses modelos existiam, e uma sólida maioria (71%) realmente os utiliza em seu trabalho diário. Quando questionados sobre o quão úteis eles eram, os profissionais deram uma pontuação alta, com uma mediana de 8 de 10. Parece que, quando essas ferramentas funcionam, elas funcionam bem. Os modelos mais populares foram aqueles que predizem riscos relacionados à idade, como o escore CHA2DS2-VASc (que verifica o risco de derrame) ou o QRISK (que analisa o risco de ataque cardíaco). Curiosamente, embora a pesquisa tenha contado com muitos médicos especializados em gravidez e saúde da mulher (Obstetrícia e Ginecologia), as ferramentas específicas projetadas para eles foram surpreendentemente menos utilizadas em comparação com as gerais.
Mas a história fica mais interessante quando olhamos para como essas ferramentas são usadas. Médicos e enfermeiros têm opinições muito fortes sobre o que torna uma ferramenta "boa". Eles querem que seus modelos de predição sejam tão fáceis de pegar quanto um lanche em uma máquina de venda automática. As formas favoritas de acessar essas ferramentas são através de sites (47%) e aplicativos móveis (33%). Ninguém quer ficar folheando um manual de papel; eles querem tocar em uma tela. Quando se trata de ver os resultados, eles preferem formatos visuais claros, como uma porcentagem simples (ex: "15% de chance") ou um "mapa de calor" (uma grade codificada por cores que mostra níveis de risco num relance).
No entanto, existem alguns obstáculos sérios. Os maiores entraves não são que as ferramentas tenham uma matemática ruim; é que elas são frequentemente difíceis de encaixar no dia agitado do médico. A pesquisa revelou que, se uma ferramenta não for construída dentro do sistema de computador que o hospital já utiliza (como os registros eletrônicos de pacientes), é provável que seja ignorada. Outras barreiras incluem não saber qual ferramenta é a certa para um paciente específico, preocupar-se se a ferramenta é considerada legalmente um "dispositivo médico" e uma falta geral de treinamento consistente. Um médico observou que, se uma ferramenta não é ensinada na faculdade de medicina ou recomendada em diretrizes oficiais, é difícil fazer com que toda a equipe a utilize.
Os pesquisadores sugerem que, para que essas ferramentas realmente decolem, elas precisam ser transparentes, fáceis de usar e profundamente integradas ao software que os médicos já utilizam. Eles também apontam que, à medida que a Inteligência Artificial (IA) começa a construir esses modelos, torna-se ainda mais importante saber como o modelo fez sua suposição, em vez de apenas confiar em uma "caixa preta". O artigo conclui que, embora os profissionais de saúde valorizem esses modelos, precisamos parar de apenas construí-los e começar a garantir que eles realmente se encaixem na prática do mundo real, respaldados por regras claras e boa educação. Até lá, esses ajudantes digitais podem permanecer na caixa de ferramentas, acumulando um pouco de poeira enquanto os médicos tentam descobrir como usá-los da melhor forma.
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.