Uma equipe de pesquisa multi-institucional demonstrou como a IA e o aprendizado de máquina podem otimizar a seleção e a dosagem da terapia para choque séptico, uma complicação potencialmente fatal que é a principal causa de mortes em hospitais.

A equipe inclui Suchi Saria , da Universidade Johns Hopkins , que anteriormente desenvolveu um sistema de alerta precoce baseado em inteligência artificial que está reduzindo as taxas de mortalidade por sepse em dezenas de hospitais nos Estados Unidos. Os resultados foram publicados no The Journal of the American Medical Association .

A sepse frequentemente causa hipotensão, que pode resultar em disfunção orgânica com risco de vida e é responsável por mais de 270.000 mortes anualmente nos EUA. O tratamento de emergência inclui a administração de fluidos e diversos vasopressores, agentes que contraem os vasos sanguíneos, para elevar a pressão arterial do paciente a níveis normais e restaurar o fluxo sanguíneo e de oxigênio para os órgãos.

"A melhor forma de individualizar o tratamento da pressão arterial com diferentes terapias continua sendo um desafio complexo e em aberto", afirma o autor sênior Romain Pirracchio, professor de anestesia e cuidados perioperatórios da Universidade da Califórnia, em São Francisco.

As diretrizes internacionais recomendam o uso de norepinefrina, um medicamento para aumentar a pressão arterial, antes de se recorrer à vasopressina, um hormônio que também aumenta a pressão arterial, caso a pressão arterial do paciente permaneça muito baixa. No entanto, o choque séptico é uma condição que muda rápida e continuamente, o que complica a decisão sobre se e quando iniciar a vasopressina. Além disso, a vasopressina é extremamente potente, o que significa que iniciá-la precocemente pode causar efeitos colaterais graves.

"Para determinar o momento ideal para iniciar a administração de vasopressina, tradicionalmente estabelecíamos critérios muito específicos e realizávamos um ensaio clínico — que custava milhões de dólares e durava anos — comparando esses critérios com o padrão de tratamento. Mas isso só nos permite testar um critério por vez", diz Saria, professor de ciência da computação na Escola de Engenharia Whiting da JHU e professor de estatística e políticas de saúde na Escola de Saúde Pública Bloomberg da universidade . "Acontece que existe uma maneira muito melhor: usando aprendizado por reforço."

O aprendizado por reforço é um ramo do aprendizado de máquina no qual um agente virtual aprende por tentativa e erro para maximizar a probabilidade de um bom resultado. Usando registros médicos eletrônicos de mais de 3.500 pacientes em diversos hospitais e conjuntos de dados públicos, a equipe de pesquisa treinou um modelo de aprendizado por reforço para considerar a pressão arterial dos indivíduos, os índices de disfunção orgânica e outros medicamentos que estão sendo tomados, a fim de determinar quando iniciar a administração de vasopressina.

Em seguida, os pesquisadores validaram seu modelo com dados inéditos de quase 11.000 pacientes adicionais para confirmar a eficácia do algoritmo e verificar se a implementação teria reduzido a mortalidade hospitalar.

"Havia um número substancial de pacientes que começaram a tomar vasopressina exatamente quando nosso algoritmo a teria recomendado se estivesse em funcionamento", diz Pirracchio. "Assim, usando métodos estatísticos complexos para levar em conta o viés e as diferenças nas linhas de base, conseguimos demonstrar que o tratamento que correspondia exatamente ao que o algoritmo sugeria — em outras palavras, começar no momento exato — estava consistentemente associado a um melhor resultado em termos de mortalidade."

O modelo recomendou consistentemente o início da vasopressina mais cedo do que a maioria dos médicos fazia na prática, mas nos poucos casos em que o medicamento foi administrado ainda mais cedo do que o recomendado pelo algoritmo, os resultados para os pacientes foram piores.

"Isso demonstra a importância de tentar individualizar a estratégia para cada paciente", afirma Pirracchio. "Não existe uma regra única que sirva para todos — no choque séptico, há uma variabilidade substancial nas práticas de ressuscitação entre hospitais e em diferentes países, especialmente em relação ao suporte vasopressor. Dada a diversidade da população incluída neste estudo, os resultados mostram que uma regra individualizada para o início da vasopressina pode melhorar o prognóstico de pacientes com choque séptico."

O próximo passo será implementar o modelo na prática, passando "da promessa à realidade", como diz Saria.

Pirracchio e sua equipe farão exatamente isso no Centro Médico da UCSF, antes de expandir para centros em todo o país em parceria com a Bayesian Health , uma plataforma de IA clínica derivada da pesquisa de Saria. Mas as aplicações do aprendizado por reforço na área da saúde não se limitam à administração de vasopressores.

"Com esse tipo de infraestrutura, em vez de fazermos três experimentos por vez, fazemos mil experimentos simultaneamente — mas nem estamos fazendo experimentos; estamos aprendendo com dados existentes", diz Saria. "É quase como se o experimento já tivesse sido feito, de graça, e nós apenas aprendemos com ele e descobrimos de forma inteligente os contextos precisos em que diferentes estratégias devem ser implementadas para melhorar os resultados dos pacientes e salvar vidas."

"Há muitas oportunidades aqui para aprendizado por reforço; isso é apenas o começo."