Pesquisadores da Universidade Emory, na Geórgia, Estados Unidos, usam o Google Cloud para prever a sepse nos pacientes em terapia intensiva

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.

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 usando um conjunto integrado de ferramentas do Google Cloud 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 Google Cloud, 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

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 Google Cloud, 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?

In the end, what matters most is improving medical outcomes for real patients in ICUs, and Sharma is aware of that. “The reason why this algorithm is doing such a fantastic job is because it’s providing information in the actionable window when physicians can make meaningful interventions for a patient. Also, the algorithm opens up the deep-learning black box and informs the physician why it thinks the patient is at risk.” Nemati agrees, “A 2017 NEJM article showed that for each hour sepsis treatment is delayed, a patient’s risk of death increases by 4 percent. So what percentage of lives can we save if we could catch sepsis this way and put patients on antibiotics in time? We don’t know yet, but that’s what we’re currently testing at Emory, and we need to show generalizability elsewhere."