Pesquisadores da Universidade Emory usam o Google Cloud Platform para prever a sepse nos pacientes em terapia intensiva

Combinando dados clínicos, o aprendizado de máquina e a infraestrutura escalonável do Google Cloud Platform, o mecanismo de previsão da sepse da Universidade Emory utiliza a análise em tempo real para melhorar o atendimento aos pacientes em risco e controlar as despesas médicas.

A sepse, resposta autoimune a uma infecção, é uma das condições mais fatais e caras tratadas nos hospitais dos Estados Unidos e afeta cerca de 750.000 pessoas anualmente. A detecção precoce e a prevenção poderiam salvar vidas e poupar dinheiro e recursos de forma significativa, mas ainda não há uma forma confiável de diagnosticá-la rapidamente. O Dr. Shamim Nemati e o Dr. Ashish Sharma, do Departamento de Informática Biomédica da Faculdade de Medicina da Universidade Emory, têm uma abordagem inovadora para esse desafio: com os registros clínicos eletrônicos anônimos de 30.000 pacientes das unidades de terapia intensiva (UTIs) da universidade, o Dr. Nemati criou um mecanismo de inteligência artificial para analisar 65 variáveis relevantes, como sinais vitais, dados demográficos dos pacientes e resultados laboratoriais. Com o monitoramento contínuo do fluxo de dados dos pacientes em intervalos de cinco minutos, o mecanismo de previsão da sepse gera um escore composto em tempo real, que prevê a probabilidade de desenvolvimento da sepse e apresenta os resultados em um painel para que os médicos avaliem. Como a detecção precoce é muito importante, os médicos podem ver o escore e a justificativa quando o tratamento com antibióticos é a opção mais eficaz.

O que dizem os pesquisadores acadêmicos

"Após converter nosso algoritmo de previsão da sepse baseado no TensorFlow em um aplicativo e executá-lo no Google App Engine, conseguimos eliminar totalmente os requisitos de infraestrutura para realizar e escalonar a implantação. Assim, pudemos nos concentrar exclusivamente no aprimoramento do algoritmo."

Shamim Nemati, professor assistente do Departamento de Informática Biomédica, Universidade Emory

Uma solução de terapia intensiva

O mecanismo tem três componentes principais: os conjuntos de dados recebidos e armazenados, o algoritmo de inteligência artificial que analisa os dados e uma interface do usuário de front-end para os médicos. A entrada e o armazenamento dos dados são especialmente complexos: dezenas de megabytes de dados de alta resolução, como pressão arterial e ritmo respiratório de cada paciente, precisam apresentar indicação de data e hora, ser protegidos, mantidos em confidencialidade e processados imediatamente para gerar resultados em tempo hábil sob condições de grandes riscos. Em seguida, o mecanismo gera um escore composto do risco de sepse, que é exibido em um painel criado para os médicos verem as informações de maneira fácil e rápida. Um alarme avisa quando um paciente atinge um limite de probabilidade de desenvolver a sepse para que os profissionais de saúde possam tomar decisões rapidamente.

O Dr. Sharma criou o mecanismo no Google Cloud Platform (GCP) usando um conjunto integrado de ferramentas do GCP e de código aberto, como o TensorFlow, e um conjunto de microsserviços em contêineres. Isso possibilitou a entrada de dados, a análise preditiva e a transmissão para a interface de front-end contínuas e quase imediatas, tudo em tempo real. Com a criação de um banco de dados FHIR ("Interoperabilidade rápida de recursos da saúde") no GCP, os doutores Nemati e Sharma garantem que o mecanismo seja escalonado e funcione em várias instituições em uma plataforma confiável, segura e particular, que também se integra a outros projetos de tecnologias na nuvem, como os dispositivos wearables de monitoramento que já são usados nos hospitais da universidade.

Escalonamento com o Google Cloud Platform

Até o momento, os doutores e suas equipes fizeram uma parceria com o Centro de UTI eletrônica da universidade para validar o mecanismo em dados hospedados nos servidores locais, testando intervalos diferentes até atingir um índice impressionante de 85% de precisão para prever a sepse com antecedência de quatro a seis horas. Para implantar o programa em outros locais, eles usaram o Google App Engine. Segundo o Dr. Nemati: "Após converter nosso algoritmo de previsão da sepse baseado no TensorFlow em um aplicativo e executá-lo no Google App Engine, conseguimos eliminar totalmente os requisitos de infraestrutura para realizar e escalonar a implantação. Assim, pudemos nos concentrar exclusivamente no aprimoramento do algoritmo".

Agora que eles sabem que o mecanismo funciona, estão planejando testá-lo com mais médicos e pacientes. Além disso, estão transferindo o algoritmo para o Google Cloud Machine Learning Engine e TPUs, para aumentar o desempenho e a escalonabilidade, e incorporando a criptografia de ponta a ponta para evitar uma possível exposição dos dados dos pacientes. Realizando um estudo de ampla distribuição no GCP, eles podem considerar novas questões: Qual é o intervalo ideal para fazer previsões precisas ou otimizar os tratamentos? O mecanismo permitirá que os médicos tenham resultados melhores para os pacientes? Como um escore de risco afeta o tratamento em hospitais diferentes com culturas e fluxos de trabalho locais?

O mais importante é melhorar os resultados médicos dos pacientes nas UTIs, e o Dr. Sharma sabe disso: "O desempenho do algoritmo está sendo incrível porque ele apresenta informações no momento exato em que é necessário agir, quando os médicos podem tomar decisões importantes em relação aos pacientes. O algoritmo também abre a caixa-preta do aprendizado profundo e informa ao médico por que considera que o paciente está em risco". O Dr. Nemati concorda: "Um artigo da New England Journal of Medicine (NEJM) de 2017 mostrou que, a cada hora de atraso no tratamento da sepse, o risco de morte do paciente aumenta 4%. Qual é a porcentagem de vidas que podemos salvar se detectarmos a sepse assim e administrarmos antibióticos a tempo? Ainda não sabemos, mas é isso que estamos pesquisando agora na Universidade Emory e precisamos demonstrar se a conclusão pode ser universalizada."

O que dizem os pesquisadores acadêmicos

"O desempenho do algoritmo está sendo incrível porque ele apresenta informações no momento exato em que é necessário agir, quando os médicos podem tomar decisões importantes em relação aos pacientes."

Ashish Sharma, professor assistente do Departamento de Informática Biomédica, Universidade Emory

Perfil da organização

Com 15.000 alunos de graduação e pós-graduação e a mesma quantidade de professores e funcionários, a Universidade Emory é o segundo maior empregador na área metropolitana de Atlanta, Geórgia, Estados Unidos, e tem a maior rede de saúde do estado. O departamento de informática biomédica da faculdade de medicina, criado em 2011, é especializado em projetos multidisciplinares que integram pesquisa clínica e ciência de dados.

Produtos usados

Agradecemos sua inscrição.

Indique abaixo seus interesses.