| Popis: |
1. INTRODUÇÃO Segundo as definições do Terceiro Consenso Internacional para Sepse e Choque Séptico (Sepse-3), sepse é definida como “disfunção de órgãos, com risco de vida, causada por uma resposta desregulada do hospedeiro à infecção” O choque séptico, por sua vez, é definido como a condição em que o paciente apresenta anormalidades circulatórias importantes, capazes de aumentar a mortalidade, apresentando-se através de hipotensão persistente, necessitando uso de vasopressor (PAM ≥65mmHg) e lactato sérico >2mmol/l, mesmo após reposição volêmica adequada (SINGER et al., 2016). Grande parte dos pacientes necessitam de leitos em Unidades de Terapia Intensiva (UTI), de acordo com o estudo Spread, um terço dos leitos das UTIs são ocupados por pacientes com sepse grave e choque séptico, apresentando letalidade global de 55% (MACHADO et al., 2017). A mortalidade de pacientes em unidades de terapia intensiva é maior em pacientes idosos com sepse e com tempo de internação mais longo, sendo características importantes de avaliação em cenário de estudo. Além disso, a demora na hospitalização e a dificuldade no diagnóstico de sepse podem ser fatores que justifiquem a alta mortalidade (MORELLO et al., 2019). Dados recentes apontaram que em todo o mundo, a prevalência de sepse chega a 30% e uma taxa de mortalidade hospitalar próxima de 55%, caracterizando-se como principal causa de morte nas UTIs não cardiológicas (ALMEIDA et al., 2022). Em relação aos custos, estudo de Costa (2019) apontou que os custos relacionados nas internações por sepse são elevados. No Brasil, por exemplo, o valor médio por dia é R$ 3.669,75, sendo a condição além de um problema de saúde pública, também uma questão de gestão dos serviços de saúde. Hoje, diversos são os protocolos e manuais que contribuem para a prevenção, diagnóstico rápido, manejo e reabilitação dos pacientes em internação hospitalar, que foram adotados especialmente em virtude do impacto da sepse sobre as populações (ILAS, 2022). Neste sentido, o uso das Tecnologias de Informação e Comunicação (TIC), sobretudo as que utilizam ciência de dados e inteligência artificial (IA) tem apresentado resultados importantes. Os dados da área da saúde e dos pacientes com sepse (desde histórico, resultados de exames, processo evolutivo na unidade e outros), podem contribuir com a prevenção do mesmo agravo em pacientes futuros (MAGRANI, 2019). Nessa lógica é válido ressaltar que embora a tecnologia traga algumas respostas, a IA depende de uma interpretação fiel dos dados, bem como da mineração correta das informações. Outro ponto válido é a lacuna existente entre os registros dos prontuários eletrônicos e a situação clínica do paciente. Nessa lógica, os sistemas de saúde, as pesquisas e inovações devem se voltar para a prevenção da sepse, na busca de predizer a patologia e identificar os pacientes sujeitos ao desenvolvimento da condição. Assim, a presente revisão tem como objetivo identificar e sintetizar as evidências científicas sobre a efetividade de algoritmos de inteligência artificial para predição de sepse em pacientes de UTI. 2. MÉTODOS 2.1 Protocolo e Registro Esta revisão de escopo seguiu as recomendações do manual do Instituto Joanna Briggs (JBI), sendo construída conforme recomendações do checklist PRISMA-ScR (PRISMA extension for Scoping Reviews) (TRICCO et al., 2018). O presente estudo foi registrado no Open Science Framework (OSF) (CENTER FOR OPEN SCIENCE, 2020). Desta forma, buscou-se resposta à seguinte questão: Quais as evidências científicas acerca da efetividade de algoritmos de inteligência artificial para predição de sepse em adultos de UTI? 2.2 Critérios de elegibilidade Considerando a questão da revisão, os critérios de elegibilidade foram baseados na População, Conceito e Contexto (PETERS et al., 2017): adultos com risco de sepse (População), algoritmos de inteligência artifical (Conceito), em unidades de terapia intensiva (Contexto). Em relação à população, foram incluídos na amostra adultos, com idade maior ou igual a 18 anos e menor de 60 anos, sem diagnóstico de sepse. Quanto ao conceito, foram incluídos estudos que abordam algoritmos de IA e modelos de aprendizado de máquina. Para tanto, algoritmos de IA podem ser definidos como uma sequência finita de ações que resolve um certo problema. Assim, um algoritmo pode resolver problemas de tipos bastante diferentes: cálculo estrutural, processamento de dados ou planejamento (SICHMAN, 2021). Este conceito poderá ser avaliado por meio de estudos de desenvolvimento, validação ou implementação de algoritmos. Em relação ao contexto, foram consideradas apenas as produções científicas produzidas em unidades de terapia intensiva. Quanto ao desenho do estudo, foram incluídos apenas estudos originais, independentemente da abordagem e tipo de pesquisa (quantitativo, qualitativo, métodos mistos). Não se aplicou restrições quanto ao idioma e status de publicação dos artigos. 2.3 Fontes de Informação Para a busca nas fontes de informação será realizada uma pesquisa em base de dados. Serão utilizadas as seguintes bases de dados: Cumulative Index to Nursing and Allied Health Literature (CINAHL); National Library of Medicine (MEDLINE/PubMed); Centro Latino-Americado e do Caribe de Informações e Ciências da Saúde (LILACS), Embase, Cochrane Library e Web of Science. Será também realizada busca na literatura cinza. A busca na literatura cinza será feita no site da Organização Mundial da Saúde (OMS), Google Scholar e Banco de Teses e Dissertações. 2.4 Estratégia de busca Optou-se por utilizar quadros com os registros de extração dos dados da estratégia PCC (População, Conceito e Contexto) a partir dos descritores encontrados no Medical Subject Heading (MeSH) e Descritores em Ciências da Saúde (DeSC), em comparação aos requisitos utilizados do PRESS Guideline (MCGOWAN et al., 2016). Groups MeSH P (Sepsis OR Breakthrough Infections OR Shock, Septic OR Systemic Inflammatory Response Syndrome) C (Artificial Intelligence OR Algorithms OR Machine Learning OR Random Forest OR Natural Language Processing OR Robotics OR Neural Networks, Computer OR Expert Systems OR Knowledge Bases OR Information Science) C (Intensive Care Units OR Respiratory Care Units) 2.5 Processo de Seleção dos estudos Os estudos serão organizados em uma biblioteca do Rayyan após a pesquisa e as duplicatas serão eliminadas antes do processo de seleção. A seleção dos estudos será feita em duas etapas: (1) leitura dos títulos e resumos e (2) leitura do texto completo. Somente os estudos que estiverem conforme os critérios de elegibilidade descritos acima serão incluídos no relatório. O processo de seleção será realizado por dois revisores independentes e as possíveis discordâncias serão resolvidas por consenso ou por um terceiro revisor com o objetivo de confirmar a elegibilidade desta publicação. 2.6 Processo de Coleta de dados Dois revisores independentes irão coletar os dados de cada artigo elegível, discutir os resultados e atualizar o instrumento de dados. Um terceiro revisor irá revisar os dados extraídos 2.7 Itens/dados extraídos Nesta etapa dois revisores irão extrair os dados independentemente dos estudos incluídos. Quaisquer discrepâncias serão resolvidas por discussão até que o consenso seja alcançado, ou por meio de consulta a um terceiro autor, quando necessário. Os avaliadores envolvidos serão previamente treinados para que se tenha um alinhamento do processo de extração dos dados. Cada estudo incluído receberá um identificador composto pelo nome dos autores e o ano de referência principal. As publicações que representam um mesmo estudo serão combinadas em um único identificador. Para estudos com os mesmos autores e os mesmos anos, letras em ordem alfabética serão adicionadas com um terceiro identificador. Diante da necessidade de complementação dos dados dos referidos estudos incluídos, os autores serão contatados para maiores esclarecimentos. Os revisores receberão a planilha com todas as variáveis a serem preenchidas. Será desenvolvido um roteiro para avaliação dos dados, instrumento elaborado pelos pesquisadores conforme recomendações do JBI (PETERS et al.,2017). O roteiro de extração de dados passará por um teste piloto, realizado também pelos dois revisores, com 10% ou no mínimo 5 dos artigos a serem revisados e será refinado após o teste para melhor possibilitar a sumarização das variáveis relevantes. Inicialmente as variáveis referentes aos artigos serão: autor, ano de publicação, País, tipo de estudo, local, amostra, tipo de algoritmo/intervenção, desfecho, variáveis, acurácia e curva ROC e limitações. As principais características e variáveis que serão usadas para construir a planilha serão pré-estabelecidas e descritas na Tabela 2. Tabela 2. Roteiro de Extração de dados. Variável Descrição Autor Autores do artigo Ano de publicação Ano de publicação do artigo Tipo de estudo Delineamento do estudo Local Local onde o estudo ocorreu Amostra Número de participantes do estudo Variáveis Variáveis clínicas, demográficas, de internação ou laboratoriais utilizadas no modelo de aprendizagem de máquina do estudo. Modelo de aprendizagem de máquina Tipo de modelo/algoritmo de inteligência artificial utilizado no estudo Acurácia e curva ROC Acurácia e curva ROC do modelo/algoritmo de inteligência artificial utilizado no estudo Principais desfechos Descrição dos principais desfechos encontrados no estudo. Métodos de síntese Os dados extraídos dos artigos incluídos serão apresentados, inicialmente, no formato descritivo,para discorrer as características das publicações apresentadas nesta revisão (população, contexto e conceito) e englobando as variáveis referentes à caracterização geral do estudo (ano, autoria,periódico, título, país e objetivo geral). As demais variáveis serão apresentadas em formato tabular (quadro). 2.9 Avaliação do risco de viés Seguindo as diretrizes do PRISMA-scR, não será realizada avaliação metodológica da qualidade dos estudos e riscos de viés por não se tratar da demanda da revisão de escopo. APÊNDICE Material suplementar: Estratégias de busca MEDLINE Descriptors #1 (((Sepsis) OR (Breakthrough Infections)) OR (Shock, Septic)) OR (Systemic Inflammatory Response Syndrome) #2 (((((((((Artificial Intelligence) OR (Algorithms)) OR (Machine Learning)) OR (Random Forest)) OR (Natural Language Processing)) OR (Robotics)) OR (Neural Networks, Computer)) OR (Expert Systems)) OR (Knowledge Bases)) OR (Information Science) #3 (Intensive Care Units) OR (Respiratory Care Units) #4 #1 AND #2 AND #3 WEB OF SCIENCE Descriptors #1 (((TS=(Sepsis)) OR TS=(Breakthrough Infections)) OR TS=(Shock, Septic)) OR TS=(Systemic Inflammatory Response Syndrome) #2 (((((((((TS=(Artificial Intelligence )) OR TS=(Algorithms )) OR TS=(Machine Learning)) OR TS=(Random Forest)) OR TS=(Natural Language Processing)) OR TS=(Robotics)) OR TS=(Neural Networks, Computer)) OR TS=(Expert Systems)) OR TS=(Knowledge Bases)) OR TS=(Information Science) #3 (TS=(Intensive Care Units)) OR TS=(Respiratory Care Units) #4 #1 AND #2 AND #3 LILACS (English) Descriptors #1 (Sepsis) OR (Breakthrough Infections) OR (Shock, Septic) OR ( Systemic Inflammatory Response Syndrome) #2 (Artificial Intelligence ) OR (Algorithms) OR (Machine Learning) OR (Random Forest) OR (Natural Language Processing) OR (Robotics) OR (Neural Networks, Computer) OR (Expert Systems) OR (Knowledge Bases) OR (Information Science) #3 (Intensive Care Units) OR (Respiratory Care Units) #4 #1 AND #2 AND #3 CINAHL Descriptors #1 TX Sepsis OR TX Breakthrough Infections OR TX Shock, Septic OR TX Systemic Inflammatory Response Syndrome #2 TX Artificial Intelligence OR TX Algorithms OR TX Machine Learning OR TX Random Forest OR TX Natural Language Processing OR TX Robotics OR TX Neural Networks, Computer OR TX Expert Systems OR TX Knowledge Bases OR TX Information Science #3 TX Intensive Care Units OR TX Respiratory Care Units #4 #1 AND #2 AND #3 COCHRANE Descriptors #1 (Sepsis) OR (Breakthrough Infections) OR (Shock, Septic) OR (Systemic Inflammatory Response Syndrome) #2 (Artificial Intelligence) OR (Algorithms) OR (Machine Learning) OR (Random Forest) OR (Natural Language Processing) OR (Robotics) OR (Neural Networks, Computer) OR (Expert Systems) OR (Knowledge Bases) OR (Information Science) #3 (Intensive Care Units) OR (Respiratory Care Units) #4 #1 AND #2 AND #3 EMBASE Descriptors #1 'sepsis'/exp OR sepsis OR 'breakthrough infections' OR 'shock, septic'/exp OR 'shock, septic' OR 'systemic inflammatory response syndrome'/exp OR 'systemic inflammatory response syndrome' #2 'artificial intelligence'/exp OR 'artificial intelligence' OR 'algorithms'/exp OR algorithms OR 'machine learning' OR 'random forest'/exp OR 'random forest' OR 'natural language processing'/exp OR 'natural language processing' OR 'robotics'/exp OR robotics OR 'neural networks, computer'/exp OR 'neural networks, computer' OR 'expert systems'/exp OR 'expert systems' OR 'knowledge bases'/exp OR 'knowledge bases' OR 'information science'/exp OR 'information science' #3 'intensive care units'/exp OR 'intensive care units' OR 'respiratory care units'/exp OR 'respiratory care units' #4 #1 AND #2 AND #3 REFERÊNCIAS ALMEIDA, Nyara Rodrigues Conde de et al. Análise de tendência de mortalidade por sepse no Brasil e por regiões de 2010 a 2019. Revista de Saúde Pública, v. 56, p. 25, 2022. COSTA LINCH, Graciele Fernanda et al. Morbimortalidade e custo por internação dos pacientes com sepse no Brasil, Rio Grande do Sul e Porto Alegre. Revista de Epidemiologia e Controle de Infecção, v. 9, n. 2, p. 149-154, 2019. ILAS, Instituto Latino-americano de Sepse. Sobre o ILAS. 2022. MACHADO, Flavia R. et al. The epidemiology of sepsis in Brazilian intensive care units (the Sepsis PREvalence Assessment Database, SPREAD): an observational study. The Lancet Infectious Diseases, v. 17, n. 11, p. 1180-1189, 2017. MAGRANI, Eduardo. Entre dados e robôs: ética e privacidade na era da hiperconectividade. Arquipélago Editorial, 2019. MORELLO, Luis Gustavo et al. Avaliação das características clínicas e epidemiológicas de pacientes com e sem sepse nas unidades de terapia intensiva de um hospital terciário. Einstein (São Paulo), v. 17, 2019. SINGER, Mervyn et al. The third international consensus definitions for sepsis and septic shock (Sepsis-3). Jama, v. 315, n. 8, p. 801-810, 2016. CENTER FOR OPEN SCIENCE, INC. Termos e condições de uso. 2020. Disponível em: https://github.com/CenterForOpenScience/cos.io/blob/master/TERMS_OF_USE.md Acesso em: 01 mar. 2022. MCGOWAN, J.; SAMPSON, M.; SALZWEDEL, D. M.; COGO, E.; FOERSTER, V.; LEFEBVRE, C. PRESS Peer Review of Electronic Search Strategies: 2015 Guideline Statement. Journal of Clinical Epidemiology, v. 75, p. 40–46, jul. 2016. Disponível em: https://doi.org/10.1016/j.jclinepi.2016.01.021. Acesso em: 12 mar. 2022 PETERS, M. D. J.; GODFREY, C.; MCINERNEY P. et al. Chapter 11: Scoping Reviews (2020 version). In: Aromataris E, Munn Z (Editors). JBI Manual for Evidence Synthesis, JBI, 2020. Disponível em: https://doi.org/10.46658/JBIMES-20-12. Acesso em: 12 mar. 2022. SICHMAN, Jaime Simão. Inteligência Artificial e sociedade: avanços e riscos. Estudos Avançados, v. 35, p. 37-50, 2021. TRICCO, A. C.; LILLIE, E.; ZARIN, W. et al. PRISMA Extension for Scoping Reviews (PRISMA-ScR): Checklist and Explanation. Annals of Internal Medicine, v. 169, n. 7, p. 467–473, 2018. Disponível em: https://doi.org/10.7326/m18-0850. Acesso em: 28 fev. 2022. |
