Projetos

Desenvolvimento de algoritmos de aprendizagem de máquina para segurança do paciente no ambiente hospitalar

Palavras-chave: Eventos Adversos, Aprendizado de máquina, Processamento de Linguagem Natural, Segurança do Paciente, prontuário eletrônico

RESUMO

Os eventos adversos (EA) são incidentes relacionados à assistência à saúde que resultam em danos e comprometem a segurança do paciente, aumentando os custos, o tempo de internação e causando a morte de 3 hospitalizados a cada 5 minutos no Brasil. Apesar da importância de conhecer a  magnitude dos EAs para o desenvolvimento de estratégias para ampliar a segurança do paciente, estes eventos são subnotificados. Para conhecer os EA que ocorrem nos hospitais de forma mais fidedigna, se faz necessário ferramentas que auxiliem na sua detecção e que não se dependa somente da notificação voluntária. 

Estudos mostram o uso de técnicas de mineração de texto para identificação de eventos adversos em prontuários eletrônicos em inglês (Aramaki et al., 2010; Harpaz et al., 2010; Wang et al., 2009) e em português (Lourenço et al., 2014; Silva et al., 2017).

Este trabalho pretende desenvolver um conjunto de métodos para o tratamento computacional dos dados em prontuários eletrônicos do paciente (PEP) para auxiliar na identificação de prováveis EA, sendo implantados no sistema NoHarm (que está implantado em 50 hospitais e atende leitos SUS de forma gratuita). Serão investigados eventos adversos de infecção hospitalar, lesão hepática induzida por medicamentos e sangramento relacionado ao uso de medicamentos. 

A metodologia está baseada em técnicas de inteligência artificial, tais como uso de processamento de linguagem natural na análise dos textos a partir de sistema de classificação. As evidências para a classificação dos EA serão explicadas com base em técnicas de explicabilidade em inteligência artificial. Esta abordagem visa acelerar a identificação de novos rastreadores e a melhor identificação de EA em PEPs, possibilitando ações que proporcionem maior segurança do paciente e otimização do tempo da equipe de saúde.

Os resultados esperados são algoritmos que vão identificar e/ou predizer estes EA, sendo implantados na NoHarm.