Tomar decisões adequadas em uma situação de emergência é, literalmente, um caso de vida ou morte. Em alguns casos, mesmo o mais experiente dos médicos é capaz de fazer a escolha errada, pois medidas que podem até parecer um detalhe acabam definindo o prognóstico do paciente. Por exemplo: na sepse grave — condição imprevisível que pode progredir muito rápido, levando à falência de órgãos —, a administração excessiva de líquidos por via venosa nas primeiras horas aumenta o risco de morte do paciente.
Pensando nisso, pesquisadores do Instituto Tecnológico de Massachusetts (MIT), em Boston (EUA), desenvolveram um modelo de aprendizado de máquina que pode ser usado para identificar tratamentos que representam um risco maior, comparado a outras opções. O algoritmo também é capaz de alertar os médicos quando um paciente séptico está se aproximando de uma situação crítica — o ponto em que, independentemente do que for feito, ele, provavelmente, morrerá. Com o alerta, a expectativa é de que os especialistas consigam intervir antes que seja tarde demais.
Quando aplicado a um conjunto de dados de pacientes com sepse internados em uma unidade de terapia intensiva (UTI), o modelo apontou que cerca de 12% dos tratamentos fornecidos aos que morreram foram prejudiciais. O estudo do MIT, publicado nos anais da conferência Sistemas de Processamento de Informação Neural, também revela que cerca de 3% das pessoas que não sobreviveram entraram na fase crítica até 48 horas antes de morrer. "Vemos que nosso modelo está quase oito horas à frente do reconhecimento médico da deterioração de um paciente. Isso é poderoso, porque, nessas situações, cada minuto conta, e estar ciente de como o paciente está evoluindo e do risco de administrar determinado tratamento a qualquer momento é muito importante", explica Taylor Killian, estudante de pós-graduação do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) do MIT.
Killian conta que, no aprendizado por reforço, o algoritmo é treinado por tentativa e erro e aprende a realizar ações que aumentem suas chances de obter as recompensas definidas pelo programador. Como não seria ético testar a eficácia do sistema em pacientes, os pesquisadores fizeram o treinamento usando dados reais de uma UTI. O modelo foi estimulado a identificar os tratamentos a serem evitados, com o objetivo de impedir que se chegasse ao ponto crítico, que Killian define como "beco sem saída médico". "Aprender o que evitar é uma abordagem estatisticamente mais eficiente, que requer menos dados", explica.
Simulações
Para desenvolver a abordagem, chamada Dead-end Discovery (DeD), os pesquisadores criaram duas cópias de uma rede neural. A primeira se concentra apenas em resultados negativos — quando um paciente morre — e a segunda, nos positivos — caso de sobrevivência. Isso permitiu que os cientistas detectassem um tratamento arriscado em uma das redes e, depois, confirmassem a informação usando a outra.
Os pesquisadores, então, testaram o modelo usando um conjunto de dados referentes a cerca de 19,3 mil internações, contendo observações de 72 horas desde que os pacientes manifestam os primeiros sintomas de sepse. Uma das descobertas foi a de que entre 20% e 40% das pessoas que não resistiram apresentaram sinais de estarem se encaminhando para o "beco sem saída" a tempo de uma intervenção. Muitos, até 48 horas antes da morte. "Descobrimos que mais de 11% dos tratamentos poderiam ter sido evitados porque havia alternativas melhores disponíveis naqueles momentos. Esse é um número bastante substancial."
A professora Marzyeh Ghassemi, autora sênior do estudo, esclarece que o modelo visa auxiliar os médicos, não substituí-los. "Os médicos humanos são quem tomará decisões sobre os cuidados. Receber conselhos sobre qual tratamento evitar não mudará isso", diz. A cientista planeja continuar aprimorando o sistema e validá-lo usando dados de outros hospitais.
"A aplicação de técnicas de inteligência artificial ao diagnóstico continua atraindo atenção considerável, dada a potencial vantagem, em termos de sensibilidade, repetibilidade e rendimento, quando aplicada a grandes conjuntos de dados ricos em informações", diz Peter Banister, do Instituto de Pesquisa de Saúde Aplicada da Universidade de Birmingham, na Inglaterra. O cientista, que não participou do estudo, lamenta, porém, que ainda há desconfiança entre médicos. "Tem havido uma adoção limitada até o momento e, além disso, existe ceticismo sobre se essas abordagens podem gerar um benefício líquido para o paciente quando implementadas em escala."