• Saúde

O sistema de aprendizado de máquina sinaliza remédios que podem fazer mais mal do que bem

Marcelo Leal / Unsplash

A sepse tira a vida de quase 270.000 pessoas nos EUA a cada ano. A condição médica imprevisível pode progredir rapidamente, levando a uma queda rápida da pressão arterial, danos nos tecidos, falência múltipla de órgãos e morte.

Intervenções imediatas por profissionais médicos salvam vidas, mas alguns tratamentos de sepse também podem contribuir para a deterioração de um paciente, portanto, escolher a terapia ideal pode ser uma tarefa difícil. Por exemplo, nas primeiras horas de sepse grave, administrar muito líquido por via intravenosa pode aumentar o risco de morte do paciente.

Para ajudar os médicos a evitar remédios que possam contribuir potencialmente para a morte de um paciente, pesquisadores do MIT e de outros lugares desenvolveram um modelo de aprendizado de máquina que pode ser usado para identificar tratamentos que representam um risco maior do que outras opções. Seu modelo também pode alertar os médicos quando um paciente séptico está se aproximando de um beco sem saída médico - o ponto em que o paciente provavelmente morrerá, independentemente do tratamento usado - para que eles possam intervir antes que seja tarde demais.

Quando aplicado a um conjunto de dados de pacientes com sepse em uma unidade de terapia intensiva hospitalar, o modelo dos pesquisadores indicou que cerca de 12% dos tratamentos dados a pacientes que morreram foram prejudiciais. O estudo também revela que cerca de 3% dos pacientes que não sobreviveram entraram em um beco sem saída médico 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 realmente sensíveis, cada minuto conta, e estar ciente de como o paciente está evoluindo e o risco de administrar determinado tratamento em um determinado momento é muito importante, diz Taylor Killian, estudante de pós-graduação do Healthy Grupo de ML do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL).

Juntando-se a Killian no artigo estão seu orientador, o professor assistente Marzyeh Ghassemi, chefe do grupo Healthy ML e autor sênior; o autor principal Mehdi Fatemi, pesquisador sênior da Microsoft Research; e Jayakumar Subramanian, pesquisador sênior da Adobe India. A pesquisa está sendo apresentada na Conferência desta semana sobre Sistemas de Processamento de Informação Neural.

Uma escassez de dados

Este projeto de pesquisa foi estimulado por um artigo de 2019 que Fatemi escreveu que explorou o uso de aprendizado por reforço em situações em que é muito perigoso explorar ações arbitrárias, o que dificulta a geração de dados suficientes para treinar algoritmos com eficiência. Essas situações, em que mais dados não podem ser coletados de forma proativa, são conhecidas como configurações offline.

No aprendizado por reforço, o algoritmo é treinado por tentativa e erro e aprende a realizar ações que maximizem seu acúmulo de recompensa. Mas em um ambiente de saúde, é quase impossível gerar dados suficientes para que esses modelos aprendam o tratamento ideal, pois não é ético experimentar possíveis estratégias de tratamento.

Então, os pesquisadores viraram o aprendizado por reforço de cabeça para baixo. Eles usaram os dados limitados de uma UTI hospitalar para treinar um modelo de aprendizado por reforço para identificar tratamentos a serem evitados, com o objetivo de evitar que um paciente entre em um beco sem saída médico.

Aprender o que evitar é uma abordagem estatisticamente mais eficiente que requer menos dados, explica Killian.

Quando pensamos em becos sem saída ao dirigir um carro, podemos pensar que é o fim da estrada, mas você provavelmente poderia classificar cada pé ao longo dessa estrada em direção ao beco sem saída como um beco sem saída. Assim que você se afasta de outra rota, você está em um beco sem saída. Então, é assim que definimos um beco sem saída médico: uma vez que você tenha seguido um caminho em que, qualquer que seja a decisão que você tome, o paciente progredirá em direção à morte, diz Killian.

Uma ideia central aqui é diminuir a probabilidade de selecionar cada tratamento em proporção à sua chance de forçar o paciente a entrar em um beco sem saída médico – uma propriedade que é chamada de segurança do tratamento. Este é um problema difícil de resolver, pois os dados não nos fornecem diretamente essa percepção. Nossos resultados teóricos nos permitiram reformular essa ideia central como um problema de aprendizado por reforço, diz Fatemi.

Para desenvolver sua abordagem, chamada Dead-end Discovery (DeD), eles criaram duas cópias de uma rede neural. A primeira rede neural se concentra apenas em resultados negativos - quando um paciente morre - e a segunda rede se concentra apenas em resultados positivos - quando um paciente sobrevive. O uso de duas redes neurais separadamente permitiu que os pesquisadores detectassem um tratamento arriscado em uma e depois confirmassem usando a outra.

Eles alimentaram cada paciente da rede neural com estatísticas de saúde e um tratamento proposto. As redes produzem um valor estimado desse tratamento e também avaliam a probabilidade de o paciente entrar em um beco sem saída médico. Os pesquisadores compararam essas estimativas para definir limites para ver se a situação levanta alguma bandeira.

Uma bandeira amarela significa que um paciente está entrando em uma área de preocupação, enquanto uma bandeira vermelha identifica uma situação em que é muito provável que o paciente não se recupere.

O tratamento importa

Os pesquisadores testaram seu modelo usando um conjunto de dados de pacientes supostamente sépticos da unidade de terapia intensiva Beth Israel Deaconess Medical Center. Esse conjunto de dados contém cerca de 19.300 internações com observações extraídas de um período de 72 horas centradas em quando os pacientes manifestam os primeiros sintomas de sepse. Seus resultados confirmaram que alguns pacientes no conjunto de dados encontraram becos sem saída médicos.

Os pesquisadores também descobriram que 20 a 40 por cento dos pacientes que não sobreviveram levantaram pelo menos uma bandeira amarela antes de sua morte, e muitos levantaram essa bandeira pelo menos 48 horas antes de morrer. Os resultados também mostraram que, ao comparar as tendências de pacientes que sobreviveram versus pacientes que morreram, uma vez que um paciente levanta sua primeira bandeira, há um desvio muito acentuado no valor dos tratamentos administrados. A janela de tempo em torno da primeira bandeira é um ponto crítico ao tomar decisões de tratamento.

Isso nos ajudou a confirmar que o tratamento é importante e o tratamento se desvia em termos de como os pacientes sobrevivem e como os pacientes não sobrevivem. Descobrimos que mais de 11% dos tratamentos abaixo do ideal poderiam ter sido evitados porque havia alternativas melhores disponíveis para os médicos naqueles momentos. Este é um número bastante substancial, quando você considera o volume mundial de pacientes que foram sépticos no hospital a qualquer momento, diz Killian.

Ghassemi também é rápido em apontar que o modelo visa auxiliar os médicos, não substituí-los.

Os médicos humanos são quem queremos tomar decisões sobre cuidados, e conselhos sobre qual tratamento evitar não vão mudar isso, diz ela. Podemos reconhecer riscos e adicionar proteções relevantes com base nos resultados de tratamentos de 19.000 pacientes - o que equivale a um único cuidador vendo mais de 50 resultados de pacientes sépticos todos os dias durante um ano inteiro.

No futuro, os pesquisadores também querem estimar as relações causais entre as decisões de tratamento e a evolução da saúde do paciente. Eles planejam continuar aprimorando o modelo para que ele possa criar estimativas de incerteza em torno dos valores de tratamento que ajudariam os médicos a tomar decisões mais informadas. Outra forma de validar ainda mais o modelo seria aplicá-lo a dados de outros hospitais, o que eles esperam fazer no futuro.

Esta pesquisa foi apoiada em parte pela Microsoft Research, um Instituto Canadense de Pesquisa Avançada Azrieli Global Scholar Chair, um Presidente do Conselho de Pesquisa do Canadá e um Conselho de Pesquisa de Ciências Naturais e Engenharia do Canadá Discovery Grant.

Republicado com permissão de Notícias do MIT . Leia o artigo original .

Compartilhar: