Avaliação do software de suporte à prescrição baseado em inteligência artificial iAST® para a escolha de tratamento antibiótico empírico e semi-direcionado (EVIAST)

Fundo:

As infecções são uma das principais causas de consulta na atenção básica e nos serviços de emergência. Além disso, uma elevada percentagem de pacientes internados em hospitais sofre de uma infecção durante a sua internação. De acordo com dados do Centro Europeu de Prevenção e Controlo das Doenças (ECDC), aproximadamente 11% dos pacientes internados em hospitais europeus sofrem de uma infeção associada aos cuidados de saúde (ECDC, 2013). Além disso, segundo esta organização, 35% dos pacientes internados em hospitais europeus estão sob terapêutica antibiótica, variando esta percentagem entre 21,4% e 54,7% dependendo do hospital e do país (ECDC, 2013).

O tratamento inadequado das infecções muitas vezes leva a complicações associadas ao prolongamento dos períodos de hospitalização ou ao desenvolvimento de sepse, o que pode finalmente causar a morte dos pacientes afetados (Kollef et al., 1999; Kollef et al., 2000). Além disso, os tratamentos ineficazes devido a uma seleção inadequada de antibióticos têm um enorme custo e impacto nos sistemas de saúde (Zilberberg et al., 2017). Por outro lado, existem extensas evidências científicas de que o início precoce do tratamento antibiótico adequado reduz grandemente a morbilidade e a mortalidade das infeções e reduz significativamente o tempo de internamento dos pacientes (van den Bosch et al., 2017). Estudos anteriores relataram que 20-30% das prescrições de antibióticos são inadequadas, levando a complicações de saúde, especialmente infecções associadas aos cuidados de saúde (Fleming-Dutra et al., 2016; Lambregts et al., 2020; Tumbarello et al., 2007). Além disso, uma seleção adequada de tratamento antibiótico evita a propagação de cepas de bactérias resistentes, o que se tornou um problema crescente nos últimos anos (Andersson et al., 2010; Gandra et al., 2014).

Como observado anteriormente, a mortalidade infecciosa aumenta enormemente ao longo do tempo se um tratamento antibiótico adequado não for iniciado (Kumar et al., 2006). Assim, obter resultados microbiológicos e identificar a cepa bacteriana causadora da infecção é fundamental para fornecer tratamentos eficazes aos sujeitos (D'Onofrio, 2020). A descrição do perfil microbiológico normalmente é realizada por laboratórios de microbiologia, que auxiliam os médicos na seleção do tratamento antibiótico. No entanto, embora sejam gerados resultados confiáveis, eles geralmente são obtidos 48 horas após a avaliação inicial do paciente (Jorgensen et al. 2009).

Justificativa:

Dados cumulativos de antibiogramas de múltiplos microrganismos e pacientes têm grande valor epidemiológico e clínico, pois permitem monitorar e detectar variações nas tendências de suscetibilidade antimicrobiana. Além disso, estes dados também podem ajudar a selecionar as melhores terapias empíricas das diferentes síndromes infecciosas (CLSI, 2014). Os microbiologistas clínicos tradicionalmente realizam relatórios cumulativos de antibiogramas com uma certa frequência (na maioria das vezes anualmente). Esses relatórios são feitos selecionando os dados disponíveis para cada antibiótico e cada microrganismo, contando as bactérias suscetíveis e resistentes e calculando o percentual de sensibilidade para cada uma delas (Larrosa et al., 2022). No entanto, estes antibiogramas cumulativos raramente são consultados na vida real pelos médicos prescritores e podem ser tendenciosos (Mohering et al, 2015). Por exemplo, a sensibilidade varia dependendo das características dos pacientes, da enfermaria onde são tratados, de culturas bacterianas anteriores, etc... (Larrosa et al., 2022).

Devido à tecnologia disponível na microbiologia atual, muitas vezes há um intervalo de 24 horas entre a identificação de um microrganismo a partir de uma amostra clínica e o resultado do seu perfil de suscetibilidade aos antibióticos. Assim que a identificação bacteriana estiver disponível, pode-se estabelecer um tratamento "semi-direcionado" orientado para o patógeno específico, o que, com a ajuda dos relatórios de antibiogramas acumulados, permite iniciar um tratamento rápido e preciso até que o antibiograma definitivo seja conhecido, reduzindo significativamente o grau de empirismo com que trata as doenças infecciosas (Fernández & Vázquez, 2019).

Os dados cumulativos de antibiogramas podem ser analisados ​​para extrair padrões comportamentais usando técnicas de aprendizado de máquina (García-Martínez et al., 2021). O aprendizado de máquina é uma parte da inteligência artificial focada no desenvolvimento de modelos baseados em dados, aplicando técnicas que permitem aos computadores aprender automaticamente o conhecimento implícito nos dados, detectar padrões, transformar dados em modelos preditivos, que auxiliam na tomada de decisões (Rowe et al. , 2019). Nos últimos anos, alguns pesquisadores publicaram trabalhos nos quais avaliaram o uso de técnicas de aprendizado de máquina para previsão empírica de suscetibilidade/resistência. No entanto, esses trabalhos foram avaliados em ambiente de pesquisa e foram reduzidos a casos específicos de algumas infecções e agentes etiológicos (Mancini et al., 2020; Lewin-Epstein et al., 2021; Anahtar et al., 2021; Kim et al., 2021; Kim et al., 2021; Kim et al., 2021; ., 2022).

Visão geral do dispositivo médico:

Nos últimos três anos, a Pragmatech AI Solutions concentrou a sua investigação na utilização de inteligência artificial e técnicas de aprendizagem automática para analisar antibiogramas cumulativos e prever quais são as melhores terapias empíricas e semi-direcionadas para pacientes específicos. Isso se materializou em um produto que está em fase de pré-comercialização denominado iAST®. O software iAST® é classificado como um dispositivo médico Classe IIa de acordo com o regulamento da UE 2017/745.

Objetivo do estudo:

A ferramenta iAST® demonstrou matematicamente que pode aumentar a probabilidade de cobertura bacteriana no tratamento antibiótico precoce de infecções em pacientes tratados em hospitais.

Nesse sentido, o objetivo principal do presente estudo retrospectivo e observacional é a avaliação da acurácia do software iAST® para a escolha precoce e adequada da terapia empírica e semi-direcionada de doenças infecciosas comuns em ambiente clínico real.

Projeto de Investigação Clínica:

A investigação clínica foi desenhada como um estudo de centro único, retrospectivo e observacional. Antibiogramas e registros hospitalares serão revisados ​​retrospectivamente para identificar os pacientes que atendem aos critérios de inclusão para analisar os desfechos primários e secundários do estudo. Os antibiogramas usados ​​para configurar o modelo de inteligência artificial não serão considerados para avaliar a precisão do software iAST®. Serão incluídos apenas casos a partir de fevereiro de 2023. Para cada caso, os investigadores registrarão a terapia empírica e semi-direcionada que o médico prescreveu (se aplicável). A comparação da taxa de sucesso do software iAST® e dos médicos em relação ao antibiograma será realizada de duas formas:

1. Para os indivíduos elegíveis, os investigadores usarão a ferramenta iAST® para prever quais antibióticos teriam sido recomendados como as três principais opções para terapia empírica e semi-direcionada e registrarão esses dados com a porcentagem de cobertura prevista (os três primeiros antibióticos em será escolhido o ranking iAST® que tenha sido testado no antibiograma do centro onde o estudo for realizado). Os investigadores verificarão os relatórios microbiológicos finais e registrarão se as bactérias recuperadas eram suscetíveis ao medicamento prescrito pelos médicos e simulado pela ferramenta iAST® de acordo com os resultados finais do antibiograma. A taxa de sucesso da prescrição médica será comparada estatisticamente com a taxa de sucesso dos três principais antibióticos recomendados pelo iAST® de forma independente. Nos casos em que os médicos não prescreveram uma terapia semi-direcionada, o medicamento recomendado pelo iAST® como terapia semi-direcionada será comparado com o tratamento empírico do médico.
2. Os investigadores também registrarão a taxa de probabilidade de sucesso que o iAST® previu para o medicamento prescrito pelo médico. A média das probabilidades previstas pelo iAST® para o antibiótico prescrito pelo médico será comparada entre dois grupos: os casos em que a bactéria foi suscetível e os casos em que foi resistente, de acordo com os resultados do antibiograma. Será analisado se esta diferença é estatisticamente significativa.

A adequação da prescrição de antibióticos pelos médicos e a previsão do iAST® serão comparadas tomando o relatório do antibiograma como referência. Uma análise de subgrupo será desenvolvida para cada tipo de infecção. De acordo com isso, a precisão do iAST® para a hipotética previsão de tratamento empírico e semi-direcionado em comparação com as prescrições médicas será avaliada através de:

• Dados de pacientes que compareceram ao Pronto Atendimento com diagnóstico de ITU e/ou sepse urinária.
• Dados de pacientes que sofreram bacteremia ou sepse, quando o agente causal foi definitivamente identificado ou quando as características da coloração de Gram estavam disponíveis.
• Dados de pacientes que sofreram traqueobronquite ou pneumonia associada à ventilação mecânica, nos quais o agente causal foi definitivamente identificado ou quando as características de sua coloração de Gram estavam disponíveis.
• Dados de pacientes que sofreram alguma outra infecção cujo agente causal tenha sido identificado, mas para os quais ainda não houve resultado de antibiograma.

Os investigadores registrarão se os antibióticos prescritos pelos médicos ou iAST® previstos em cada caso pertenciam aos grupos de acesso, observação ou reserva da classificação WHO AWARE (https://www.who.int/publications/i/item/2021- classificação consciente). Desta forma, será calculada a taxa de uso/recomendação de cada um desses antibióticos em cada braço (prescrição do médico vs previsão do iAST®).

Todos os dados do estudo serão registrados pelos investigadores em um Formulário de Relato de Caso eletrônico (eCRF).

Definições

• Terapia empírica: Terapias prescritas quando há suspeita de infecção, mas o microrganismo que a produz e sua suscetibilidade aos antibióticos ainda são desconhecidos.
• Terapia semi-direcionada: Aquela terapia prescrita quando há suspeita de infecção, cuja etiologia é conhecida, mas ainda não há suscetibilidade aos antibióticos.
• Antibiótico adequado de acordo com resultados microbiológicos: Um tratamento antibiótico será considerado correto se a bactéria identificada na amostra clínica do paciente a quem se dirige for suscetível de acordo com o resultado do antibiograma ou sua extrapolação.
• Antibiótico inadequado segundo resultados microbiológicos: Pelo contrário, um tratamento será considerado incorreto se a bactéria contra a qual se dirige for resistente segundo os resultados do antibiograma ou a sua resistência intrínseca.

Limitações:

As limitações do estudo são aquelas decorrentes do seu desenho, visto que se trata de um estudo retrospectivo e não intervencionista. No entanto, o estudo foi desenhado de forma a reduzir possíveis vieses. Algumas das medidas destinadas à minimização de vieses são:

• os mesmos casos serão utilizados para comparar a prescrição médica com a recomendação do iAST®, para que não haja desequilíbrio de dados.
• os investigadores são altamente qualificados em doenças infecciosas, portanto interpretarão perfeitamente os dados dos antibiogramas e dos registros clínicos dos casos incluídos no estudo, reduzindo assim o viés de interpretação.
• os dados dos pacientes serão anonimizados. Os dados a serem coletados geralmente estão disponíveis nos prontuários e prontuários dos pacientes e no banco de dados do Departamento de Microbiologia. Porém, não se pode garantir que os prontuários ou prontuários estejam completos, o que pode dificultar a coleta de todas as variáveis ​​de interesse especificadas no protocolo do estudo. Em caso de dados faltantes, os valores faltantes não serão considerados para o cálculo dos percentuais da análise.