Notícias

A Inteligência Artificial pode ajudar a decidir quem irá para a UTI?

Proposta de algoritmo que avalia e faz recomendações sobre quem teria precedência no acesso a leitos divide especialistas

Shutterstock

A avalanche de pacientes com COVID-19 nos hospitais da Itália forçou  os médicos de lá a tomar decisões angustiantes sobre quem deveria ter acesso a cuidados que podem salvar vidas. Em breve, o número de  pacientes atingidos pelo surto também poderá  exigir que difíceis decisões sejam tomadas nas  triagens para as unidades de terapia intensiva (UTIs) dos EUA. Na quinta-feira, havia mais de 13.000 casos confirmados nos EUA, e o número de mortos em todo o país havia aumentado para 175.

Em fevereiro, um estudo publicado na revista científica Operations Research utilizou de modelagem matemática para determinar que tipo de política de triagem poderia ser útil em uma UTI durante o surto em andamento. O artigo analisou as circunstâncias em que os pacientes poderiam ser colocados na fila para serem admitidos em uma UTI hipotética com leitos limitados, ou transferidos para uma enfermaria geral à medida que suas condições mudassem. O objetivo era encontrar uma heurística, ou regra de ouro, de forma que os médicos possam  minimizar a taxa média de mortalidade de todos os pacientes ao longo do tempo, o que é o objetivo da realização de uma triagem no mundo real.

“Muitas vezes, os profissionais médicos estão realmente focados em tomar essa decisão visando apenas  o paciente que está bem na frente deles”, diz Laura Albert, engenheira de sistemas da Universidade de Wisconsin-Madison, que não participou do estudo . “É realmente difícil quando eles precisam pedir ao paciente para esperar, pois isso poderia salvar muito mais vidas no sistema como um todo. Essas heurísticas são realmente valiosas para os provedores de serviços, porque é muito difícil tomar essa decisão ali,  no momento.”

Usando simulações em computador, os pesquisadores aplicaram uma heurística que determinava quem deveria ser admitido em um leito de UTI, estimando o quanto as chances de sobrevivência de cada paciente aumentavam por estar lá, e depois dividiam  o número pelo número de dias que a pessoa provavelmente precisaria ficar. Foram priorizados os indivíduos que apresentaram uma  proporção maior. Os pesquisadores também examinaram como a heurística funcionava quando foram acrescentadas algumas outras condições  de saúde do paciente.

O estudo comparou as taxas de mortalidade coletiva da heurística com as de possíveis cenários de triagem. Uma metodologia oferecia camas por ordem de chegada. Outra heurística excluía os pacientes com menor probabilidade de piora, encaminhado-os para a enfermaria geral, a fim de liberar leitos para novos doentes. Uma terceira metodologia  liberava a pessoas da UTI  aleatoriamente quando chegavam novos pacientes.

No geral, a  heurística apresentada no estudo priorizou os pacientes que deveriam obter  maior benefício por cada dia  que passavam ocupando  um leito de UTI. A coautora do estudo Nilay Argon, pesquisadora de operações da Universidade da Carolina do Norte em Chapel Hill, diz que a regra é particularmente valiosa quando o estado de um indivíduo melhora ou piora durante sua estadia. “Assim que a condição deles muda, é preciso refazer a triagem  novamente”, diz Argon. Os modelos anteriores que simulavam  de decisões de triagem para UTIs não consideravam mudancas no estado  de um paciente, acrescenta ela.

A metodologia  “primeiro a chegar, primeiro a ser atendido”, que foi adotada em um hospital de Wuhan, na China, quando o coronavírus começou a se espalhar, pode não ter sido a melhor estratégia. Shu-Yuan Xiao, patologista da Universidade de Chicago, estava em Wuhan na época e viu como os profissionais de saúde reagiam. Ele até os ajudou. “Os hospitais estavam sobrecarregados”, diz Xiao. “Eles simplesmente não tinham tantas UTIs, e as UTIs tinham uma política de “primeiro a chegar, primeiro a ser atendido” no início, o que pode ter contribuído para as altas taxas de mortalidade iniciais na cidade.

“A capacidade de cuidar dos doentes é limitada pelos recursos disponíveis, e os recursos disponíveis [para um paciente]  na verdade dependem de como os outros pacientes são tratados”, diz Albert. “Nem sempre se pode tomar essas decisões de tratamento de forma isolada. E isso realmente fica claro  quando há um grande aumento de pacientes. “

Edieal Pinker, pesquisador de operações da Universidade de Yale, diz que reservar uma cama para pacientes críticos – uma prática chamada “ociosidade” – quando indivíduos menos críticos estão esperando torna a triagem ainda mais  complexa. “Quando se reserva uma cama, alguém mais ficou de fora”, diz ele. “É uma decisão difícil de tomar, porque exige  dizer não a um paciente que está na sua frente agora. É algo difícil de fazer, então são necessárias  diretrizes e disciplina.”

Pinker diz que, de forma semelhante ao que o novo modelo indicou, nos casos em que um paciente com baixa chance de recuperação estiver ocupando um leito de UTI por muitos dias, e uma vez que esse leito poderia ser usado para estabilizar vários outros pacientes, os médicos terão que tomar a decisão de remover  esse paciente para os cuidados paliativos. “Porém, ao mover pacientes com COVID-19 infeccioso, é  preciso levá-las a um local que não espalhe  o vírus ainda mais”, acrescenta.

Os modelos não são necessariamente a resposta final, diz Jennifer Horney, epidemiologista do Centro de Pesquisa em Desastres da Universidade de Delaware. Ela adverte que suposições internas podem não se traduzir em cenários do mundo real. “Acho que podemos considerar os modelos como parte de uma ferramenta de planejamento”, diz ela. Mas “é importante ser criterioso ao usar dados da modelagem para tentar prever exatamente o que ocorrerá em uma situação da vida real”. Horney diz que estudos “pós-eventos”, que coletam os dados de unidades de saúde após um surto real, como a pandemia do H1N1 de 2009, e os utilizam para prever o que ocorreria em um evento semelhante, podem ser preferíveis a modelos que fazem suposições que podem ou não acontecer.

De fato, pode ser muito cedo para os hospitais aplicarem a heurística do novo estudo ao crescimento  dos pacientes com COVID-19. Uma dificuldade é a falta de dados sobre as taxas de sobrevivência da doença, diz Scott Levin, engenheiro biomédico da Faculdade de Medicina Johns Hopkins, que co-projetou um sistema de triagem eletrônica para o Johns Hopkins, um programa de aprendizado de máquina que usa registros de dados de saúde  para ajudar a categorizar os pacientes de emergência. “Na verdade, não temos muitos dados históricos sobre quem se beneficiará de uma unidade de terapia intensiva”, diz ele. À medida que os dados se acumulam, diz Levin, os modelos atualizados podem produzir recomendações de triagem mais sintonizadas com o que está acontecendo com o COVID-19.

Sem dados robustos quanto à capacidade de sobrevivência, a flexibilidade será essencial para lidar com um surto de pacientes com coronavírus, diz Pinar Keskinocak, engenheiro de sistemas do Instituto de Tecnologia da Geórgia. Ela diz que é importante que os administradores de sistemas de saúde e os formuladores de políticas pensem de forma criativa  sobre como modificar o fluxo de trabalho e os processos.

Um exemplo vem de Demetrios Kyriacou, médico do departamento de emergência do Northwestern Memorial Hospital – uma linha de frente de triagem com  cerca de 100 leitos. Kyriacou diz que o comitê de desastres do hospital discutiu a expansão da área de triagem para outras partes da instalação, inclusive incluindo a garagem de ambulâncias, caso necessário. “Se tivéssemos intervindo mais cedo em termos de isolamento de pessoas doentes, acho que teríamos uma epidemia muito menos problemática acontecendo neste país”, diz ele.

 

Jim Daley  – 20/03/2020