Deepsigns: a predictive model based on deep learning for the early detection of patient health deterioration

CONTEXTO: O diagnóstico preciso e precoce do paciente crítico depende da atenção da equipe médica e da observação de diversas variáveis, sinais vitais, resultados de exames laboratoriais, entre outros. Pacientes gravemente enfermos geralmente apresentam alterações em seus sinais vitais logo antes de piorar. O monitoramento dessas mudanças é essencial para antecipar o diagnóstico e iniciar o atendimento ao paciente. Os índices prognósticos desempenham um papel fundamental neste contexto, uma vez que permitem estimar o estado de saúde dos pacientes. Além disso, a adoção do Registro Eletrônico de Saúde melhorou a disponibilidade de dados, que podem ser processados por técnicas de aprendizado de máquina para extração de informações para apoiar decisões clínicas. O volume e a variedade de dados armazenados no EHR possibilitam a realização de análises mais precisas que permitem diversos tipos de avaliações em saúde. No entanto, como a quantidade de dados disponíveis é vasta e complexa, há uma necessidade de novos métodos de análise desses dados para explorar padrões significativos. O uso de técnicas de Aprendizado de Máquina (AM) para gerar conhecimento, buscar padrões de informação e apoiar decisões clínicas é uma das possibilidades para enfrentar esse problema. OBJETIVO: este trabalho visa criar um modelo computacional capaz de predizer a deterioração do estado de saúde dos pacientes de forma que seja possível iniciar o tratamento adequado o mais rápido possível. O modelo foi desenvolvido com base na técnica de Deep Learning, uma Rede Neural Recorrente, a Long Short-Term Memory, para predizer os sinais vitais do paciente e posterior avaliação da gravidade do estado de saúde do paciente por meio de Índices Prognósticos comumente utilizados na área da saúde. MÉTODO: A metodologia deste trabalho consiste nas seguintes etapas realizadas em sequência. A definição da fonte de dados a ser utilizada na criação do modelo e a seleção dos dados, o pré-processamento para criar uma base de dados para o desenvolvimento do modelo, a definição da implementação do modelo e sua avaliação por comparação com outros modelos. RESULTADOS: Experimentos mostraram que é possível predizer sinais vitais com boa precisão (acurácia >80%) e, conseqüentemente, predizer os Índices Prognósticos com antecedência para tratar os pacientes antes da deterioração. Prever os sinais vitais do paciente para o futuro e usá-los para o cálculo do índice prognóstico permite que os tempos clínicos prevejam diagnósticos graves futuros que não seriam possíveis aplicando os sinais vitais atuais do paciente (50% - 60% dos casos não seriam identificados ) CONCLUSÃO: A principal contribuição científica deste trabalho é a criação de um método de predição de sinais vitais baseado em dados históricos com baixo Erro Quadrático Médio e sua posterior aplicação no cálculo de índices prognósticos com eficácia (50% - 60% dos casos que não seriam identificado como graves). O diferencial desta proposta decorre do fato de poucos trabalhos predizerem sinais vitais. A maioria dos trabalhos se concentra em predizer desfechos de saúde específicos, como diagnósticos específicos, considerando os sinais vitais atuais. Neste trabalho, a proposta é prever a evolução dos sinais vitais no futuro e utilizar esses sinais previstos para calcular índices prognósticos.