Validação Prospectiva de uma Ferramenta de Inteligência Artificial para Avaliação Pré-Anestésica

Antecedentes:

A avaliação pré-anestésica é um processo crítico que precede os procedimentos cirúrgicos, desempenhando um papel fundamental na garantia da segurança perioperatória e da qualidade dos cuidados. Nas últimas décadas, os anestesiologistas contribuíram significativamente para melhorar a segurança e a qualidade perioperatórias, como destacado no relatório do Instituto de Medicina sobre a qualidade dos cuidados de saúde. Esta avaliação tem sido continuamente refinada para melhorar os resultados clínicos e reduzir os custos associados a testes laboratoriais e exames pré-operatórios desnecessários.

Os benefícios da avaliação pré-anestésica estão bem documentados, incluindo o aumento da eficiência operacional através da identificação precoce de potenciais complicações, a otimização do manejo pré-operatório para pacientes com condições subjacentes, como diabetes, doenças cardiopulmonares e insuficiência renal, e a minimização de complicações pós-operatórias. No Brasil, a Resolução nº 1.802/2006 do Conselho Federal de Medicina determina a avaliação pré-anestésica como um componente essencial para a segurança do paciente, recomendando que seja realizada antes da admissão hospitalar para procedimentos eletivos.

Recentemente, o Brasil tem experimentado um aumento na procura por procedimentos cirúrgicos, exacerbado pela pandemia de COVID-19. Um inquérito de 2022 da Fundação Oswaldo Cruz (Fiocruz) revelou um acúmulo de 910.621 cirurgias no Sistema Único de Saúde (SUS), com défices significativos em cirurgias do sistema digestivo (374.475), procedimentos geniturinários (241.752), intervenções do sistema circulatório (104.925) e cirurgias das vias aéreas superiores, face, cabeça e pescoço (102.352). Esta pressão sobre o sistema de saúde público levou ao lançamento do Programa Nacional de Redução de Listas de Espera em 2024 pelo governo federal brasileiro. Consequentemente, é necessário repensar o fluxo e o processo das avaliações pré-anestésicas para garantir cuidados seguros e adequados para esta procura reprimida.

Com os avanços tecnológicos e o volume crescente de dados médicos disponíveis, as avaliações clínicas tornaram-se mais complexas, exigindo decisões mais rápidas e precisas. Neste contexto, a inteligência artificial (IA) surge como uma ferramenta promissora para transformar a anestesiologia, particularmente na avaliação pré-anestésica. Ferramentas de IA, incluindo Processamento de Linguagem Natural (PLN) e Modelos de Linguagem de Grande Escala (MLGE), mostraram potencial para melhorar a precisão, eficiência e personalização dos cuidados médicos.

Estudos recentes demonstraram o impacto positivo da IA nesta área. Por exemplo, o PLN para revisão de prontuários médicos e identificação de informações clínicas pré-operatórias relevantes mostrou alta concordância (81,24%) entre as avaliações da máquina e do anestesiologista quanto à presença ou ausência de condições, e identificou condições médicas em 16,6% dos casos negligenciados pelo anestesiologista. Sistemas de suporte à decisão personalizados usando ontologias OWL e tecnologias da web semântica provaram ser eficazes na geração de relatórios de avaliação de risco e recomendações clínicas personalizadas. Modelos de aprendizagem automática para previsão de risco perioperatório permitiram a criação de perfis de risco individuais e avaliações personalizadas.

Modelos de Linguagem de Grande Escala (MLGE), como o GPT, mostraram potencial para melhorar a comunicação e educação do paciente durante a jornada cirúrgica. Um estudo comparativo de 2024 de versões do GPT indicou a sua capacidade de fornecer respostas precisas e legíveis aos pacientes sobre questões relacionadas à anestesia. No entanto, estudos sobre a aplicação clínica da IA em anestesiologia envolvendo MLGE permanecem escassos; uma revisão sistemática de 2023 não identificou estudos usando esta tecnologia. Além disso, a maioria dos estudos e desenvolvimentos foi realizada em contextos internacionais, não abordando a língua portuguesa ou as especificidades do sistema de saúde brasileiro. Até à data, não existem estudos publicados sobre o desenvolvimento e validação de uma ferramenta MLGE em português para avaliação pré-anestésica, particularmente considerando o perfil epidemiológico e os desafios de saúde do Brasil.

Adicionalmente, as preocupações sobre a fiabilidade das ferramentas de IA na medicina são notáveis. Um estudo recente publicado na Nature Medicine revelou que muitos dispositivos de IA aprovados pela FDA nos Estados Unidos carecem de validação clínica adequada. Dos 521 dispositivos de IA autorizados pela FDA entre 1995 e 2022, apenas 56% relataram alguma forma de validação clínica, com apenas 28,4% validados prospectivamente e 4,2% através de ensaios clínicos randomizados. Notavelmente, 43,4% não tinham dados de validação clínica publicamente disponíveis. Estes achados sublinham a importância de realizar estudos rigorosos de validação clínica, especialmente em contextos específicos, antes de implementar ferramentas de IA na prática médica.

Portanto, este projeto propõe desenvolver e validar prospectivamente uma ferramenta de IA baseada num MLGE em português para avaliação pré-anestésica no Brasil, num ambiente clínico. Isto aborda uma lacuna na literatura e atende às necessidades específicas do contexto nacional. O objetivo é melhorar a precisão, personalização, fiabilidade e eficiência das avaliações pré-operatórias usando IA avançada, considerando as peculiaridades da população e do sistema de saúde brasileiros. A implementação desta ferramenta poderia potencialmente transformar a prática da anestesiologia no país, fornecendo melhor suporte à decisão e promovendo maior segurança cirúrgica.

Objetivos do Estudo:

Objetivo Primário:

- Avaliar prospectivamente a precisão e consistência da avaliação pré-anestésica realizada pela ferramenta de IA em comparação com avaliações conduzidas por anestesiologistas num hospital terciário nacional.

Objetivos Secundários:

• Determinar o nível de concordância entre a avaliação de risco pré-operatório realizada pela ferramenta de IA e anestesiologistas humanos, considerando aspetos como a classificação da American Society of Anesthesiologists (ASA) e modelos de risco cirúrgico validados num hospital terciário nacional.
• Investigar as perceções dos anestesiologistas sobre a utilidade da ferramenta de IA, incluindo a sua confiança nos resultados gerados pela ferramenta e a sua disponibilidade para a integrar na prática clínica.
• Avaliar se o uso da ferramenta de IA influencia a qualidade global da avaliação pré-anestésica, incluindo a deteção de condições de risco que possam ser subestimadas ou negligenciadas em avaliações humanas convencionais.
• Avaliar quaisquer dificuldades que os pacientes enfrentem ao usar a ferramenta de IA num hospital terciário nacional.

Desenho do Estudo:

Este é um estudo de coorte longitudinal observacional prospectivo realizado em dois centros, o Serviço de Anestesia do Hospital Nossa Senhora da Conceição em Porto Alegre, Brasil e a Santa Casa de Ribeirão Preto, Brasil.

Participantes:

Critérios de Inclusão:

• Pacientes com 18 anos ou mais.
• Agendados para cirurgias não cardíacas eletivas em ambas as instituições.

Critérios de Exclusão:

• Pacientes submetidos a procedimentos diagnósticos com sedação isolada ou anestesia local.
• Se um paciente for submetido a mais de uma intervenção cirúrgica durante a mesma hospitalização, apenas o procedimento principal será considerado.

Tamanho da Amostra:

O tamanho da amostra foi calculado com base no resultado primário de concordância entre as avaliações de risco pré-operatório da IA e humana usando o coeficiente Kappa de Cohen. Assumindo uma concordância esperada de 80% (com base em estudos anteriores mostrando cerca de 0,80 para avaliações de risco perioperatório entre IA e clínicos), com um valor Kappa ≥ 0,70 considerado concordância substancial, uma margem de erro de 5% e um nível de confiança de 95%, o tamanho mínimo da amostra é de aproximadamente 246 pacientes. Considerando potenciais perdas de acompanhamento e exclusões (margem de 10%), a amostra total será de 270 pacientes.

Procedimentos:

1. Indicação Cirúrgica:

   • O cirurgião determina a indicação cirúrgica do paciente e regista o nome da cirurgia de acordo com o código do procedimento no modelo de risco Ex-Care.

2. Uso da Ferramenta de IA:

   • O cirurgião instrui o paciente a usar a ferramenta de IA para avaliação pré-anestésica. O paciente acede à ferramenta e completa as informações solicitadas.

3. Processamento da Avaliação:

   • A ferramenta processa a avaliação do paciente, gerando dois tipos de resultados:
   • Orientações Genéricas: Um conjunto de instruções gerais enviadas diretamente ao paciente para auxiliar na preparação cirúrgica.
   • Avaliação Específica: Uma avaliação detalhada, incluindo recomendações e sinais de alerta, gerada para uso médico, mas não disponibilizada ao anestesiologista que realiza a avaliação pré-operatória.

4. Avaliação Pré-Anestésica:

   • O paciente é submetido a uma avaliação pré-anestésica tradicional por um anestesiologista, que não terá acesso à avaliação gerada pela IA.

5. Comparação das Avaliações:

   • Um terceiro anestesiologista, cego ao processo anterior, comparará as duas avaliações (ferramenta de IA versus avaliação humana). Esta comparação considerará a qualidade da informação recolhida, a precisão do julgamento clínico e a identificação de potenciais riscos ou complicações.

Recolha de Dados:

Os dados serão recolhidos prospectivamente, incluindo variáveis como idade, sexo, código da cirurgia e resultados de ambas as avaliações (ferramenta de IA e anestesiologista). Um formulário de recolha de dados (anexado no protocolo após referências) descreve as variáveis incluídas neste protocolo de investigação.

Medidas de Resultado:

Resultado Primário:

- Concordância entre as avaliações de risco pré-operatório pela ferramenta de IA e pelo anestesiologista humano, em termos de qualidade da informação recolhida e julgamento clínico.

Resultados Secundários:

• Nível de concordância na classificação ASA e modelos de risco cirúrgico validados.
• Perceções dos anestesiologistas sobre a utilidade, confiança e potencial de integração da ferramenta (avaliadas através de inquéritos).
• Impacto na qualidade da avaliação, incluindo deteção de riscos negligenciados.
• Dificuldades relatadas pelos pacientes ao usar a ferramenta de IA (avaliadas através de feedback).

Análise Estatística:

Testes de concordância serão usados para comparar os resultados da avaliação de risco pré-operatório entre a ferramenta de IA e o anestesiologista. O coeficiente Kappa de Cohen medirá a concordância para variáveis categóricas (qualidade da informação e julgamento clínico). Para variáveis contínuas (por exemplo, idade), o teste t de Student ou o teste de Mann-Whitney será aplicado, dependendo da distribuição dos dados (normalidade verificada através do teste de Shapiro-Wilk). A significância estatística será definida em P < 0,05.

Cronograma:

O estudo terá a duração de 36 meses: 24 meses para recolha de dados, 6 meses para análise e 6 meses para formulação e publicação dos resultados.

Financiamento:

Os custos para materiais de recolha de dados, computadores, software estatístico e documentação serão cobertos pelos autores envolvidos. Detalhes do orçamento incluem: pastas para armazenamento (R$250,00), folhas de recolha de dados (R$500,00) e software de análise (R$1.000,00).

Divulgação:

Os resultados serão armazenados numa base de dados segura e confidencial e submetidos para publicação numa revista científica indexada após conclusão.