Inteligência Contínua Impulsiona Diagnósticos Rápidos e Precisos na Saúde

Inteligência contínua (CI) está habilitando abordagens inovadoras para saúde, dando a clínicos capacidades de diagnóstico rápidas e mais precisas.

Organizações de saúde são abençoadas com uma riqueza de dados para avaliar condições de pacientes e prescrever um plano de tratamento. Cada vez mais, a capacidade de fazer diagnósticos mais rápidos e precisos requer inteligência contínua (CI) derivada da análise em tempo real de dados em streaming.

Dois fatores estão impulsionando esta mudança. Primeiro, expectativas de pacientes estão mudando. A qualidade do cuidado é cada vez mais importante — à medida que pacientes começam a exercer seu direito de escolher como e com quem se engajam para sua saúde. Eles exigem transparência de dados e processos. Consequentemente, organizações de saúde precisam focar em como resultados de qualidade podem ser alcançados de maneira significativa para pacientes.

Veja também: IA Fornecendo Orientação de Saúde Mental? Não Tão Rápido, Dizem Psiquiatras

Ao mesmo tempo, a saúde está experimentando grandes mudanças em virtude da disponibilidade de novas fontes de dados. Especificamente, há o surgimento de wearables IoT e dispositivos médicos conectados. À medida que organizações de saúde usam mais dispositivos conectados, registros eletrônicos de saúde (EHRs) e visitas virtuais com pacientes, mais e mais dados estão fluindo.

No entanto, esses dados tipicamente ficam em silos e não melhoram o cuidado do paciente até que tenham sido revisados e arquivados para uso futuro. Fazer progressos requer soluções que possam facilmente fazer uso das diferentes fontes de dados e aplicar análises em tempo real àqueles dados na hora.

Dados em Tempo Real para Diagnóstico

Soluções que superam os obstáculos de dados abrem novas oportunidades. Por exemplo, usar dados de streaming pode ajudar no diagnóstico precoce de uma variedade de condições de saúde em muitas áreas. Um exemplo é a aplicação de comunicações de voz para diagnosticar condições médicas.

Considere o seguinte cenário: Uma mulher liga preocupada com a saúde de sua mãe pois ela recentemente tem tido problemas com perda de memória. A mãe liga para a linha de triagem de enfermeiras de sua clínica, onde sua enfermeira faz cinco perguntas para reunir informação para diagnóstico. Análise de sentimento é executada na comunicação de voz com a enfermeira. A informação derivada daquela análise é combinada com os dados de saúde capturados do dispositivo wearable da mãe (que a enfermeira pode ver em tempo real). A enfermeira então usa a informação para determinar que doença de Alzheimer está dentro de um alto grau de probabilidade. Como resultado, esta interação ajuda a filha a determinar próximos passos para o cuidado de saúde de sua mãe.

Com uma infinidade de dispositivos conectados disponíveis hoje, algo tão simples como comunicações de voz sendo usadas para diagnosticar (ou determinar a probabilidade de diagnóstico) é o bot médico definitivo.

Usar análises em comunicações de voz para o diagnóstico precoce de certas condições médicas está perto da realidade de hoje. Por exemplo, o Apple Watch agora vem com um recurso de Eletrocardiograma (EKG) — fornecendo aos usuários informação sobre seus batimentos cardíacos que pode ajudar alertá-los a condições não diagnosticadas. Os dados em tempo real fornecidos por wearables como o Apple Watch podem servir como um primeiro passo no diagnóstico de certas condições de saúde e alertar pacientes para consultar seu provedor quando dados significam que algo está errado.

Combinando Análises em Tempo Real com IA

Usar análises em tempo real para diagnosticar condições está empurrando tratamento médico para novos níveis. Ainda mais avançadas são aplicações que usam análises preditivas e inteligência artificial (IA) para prevenir o surto de uma doença ou condição.

Um exemplo da aplicação desta tecnologia preventiva é o trabalho sendo feito pela HCA Healthcare na redução da ameaça de morte por sepse.

Sepse é uma condição implacável que pode causar estragos no corpo. Frequentemente rasteja, como um ladrão na noite, depois que pessoas já estão admitidas em hospitais para tratar outras condições. Irrompe enquanto o corpo está lutando contra infecção, disparada por um desequilíbrio nos bioquímicos que o corpo está enviando para a corrente sanguínea para combater infecção. Se sepse progride para choque séptico, órgãos são danificados e a pressão sanguínea cai — uma situação potencialmente mortal. Sepse é responsável por 270.000 mortes por ano apenas nos Estados Unidos.

Tipicamente, diagnosticar sepse é apenas possível baseada em revisão manual de prontuários de pacientes durante trocas de turno. O problema é que no momento que sepse é detectada desta forma, pode ser tarde demais. "Cada hora de diagnóstico atrasado aumenta o risco de morte em quatro a sete por cento," diz Dr. Jonathan Perlin, presidente de serviços clínicos e diretor médico para saúde na HCA Healthcare.

Este atraso não era aceitável. Uma equipe de clínicos, cientistas de dados e profissionais de tecnologia se uniram para criar um sistema de análises preditivas em tempo real para detectar sepse em pacientes mais precisamente e rapidamente.

O desafio era capturar os dados relacionados a condições pré-sepse. Havia muito disso gerado pelas mais de 30 milhões de interações anuais de pacientes da empresa de saúde a cada ano através de 1.800 locais de cuidado. No entanto, muito estava em silos através de sistemas e aplicações díspares.

A maioria das infraestruturas de dados existentes não foram projetadas para business intelligence e relatórios em larga escala. O que é necessário é uma maneira de reunir, analisar e compartilhar dados em tempo real de todas as nossas instalações para que ação salva-vidas possa ser tomada rapidamente. Para abordar este desafio, a equipe criou um sistema de análises preditivas em tempo real chamado SPOT (Sepsis Prediction and Optimization of Therapy).

Com SPOT, clínicos podem detectar sepse em pacientes mais precisamente e rapidamente. A plataforma coleta e analisa dados clínicos — como localização do paciente, sinais vitais, farmácia e dados de laboratório — e sinaliza cuidadores em tempo real para iniciar cuidado precoce de sepse.

Com a ferramenta SPOT, a HCA Healthcare é capaz de melhorar a detecção precoce. Clínicos podem detectar e identificar indicadores iniciais de sepse até 20 horas antes que métodos de triagem tradicionais.

Papel das Análises na Detecção Precoce de Fraude Médica

Além do diagnóstico, análises em tempo real estão sendo observadas para outras aplicações de saúde. Por exemplo, um dos maiores problemas na indústria de saúde hoje é a quantidade de fraude médica que ocorre. Em 2017, houve $1,3 bilhão em faturamentos falsos, segundo o Escritório do Inspetor Geral do Departamento de Saúde e Serviços Humanos dos EUA. Análises podem desempenhar um papel significativo na detecção de fraude médica bem como auxiliando no diagnóstico precoce de condições médicas.

Imagine um call center médico usando tecnologia de análise de voz durante uma ligação de um paciente que está tentando fraude médica. Com análises embutidas no software, bandeiras vermelhas no tom de voz do paciente poderiam ser identificadas. A pessoa lidando com a ligação poderia então ser alertada para a preocupação significada através das análises, permitindo que investigassem a situação em um nível mais profundo. Análises poderiam um dia desempenhar um papel chave na detecção precoce de fraude médica — alertando organizações para fraude potencial tão cedo quanto o processo de agendamento de consultas.

O Desafio Real: Trabalhar com Dados

Em todos os esforços, o desafio principal é como usar o grande número de fontes de dados eficientemente. Uma solução adequada será capaz de:

Fundir diferentes fontes de dados continuamente: Dispositivos médicos fornecem displays visuais de sinais vitais através de streams fisiológicos como eletrocardiograma (ECG), frequência cardíaca, saturação de oxigênio no sangue (SpO2) e taxa respiratória. Iniciativas de registros eletrônicos de saúde ao redor do mundo criam mais fontes de dados médicos. Condições que ameaçam a vida como infecção nosocomial, pneumotórax, hemorragia intraventricular e leucomalácia periventricular podem ser detectadas usando análises que fundem diferentes fontes de dados.

Entregar cuidado altamente personalizado: Detectar sinais mais cedo para melhorar resultados de pacientes e reduzir duração de internações. Descoberta de conhecimento automatizada ou dirigida por clínicos para identificar novas relações entre eventos de streams de dados e condições médicas.

Suportar tratamento proativo: Construir um perfil para cada paciente baseado em streams de dados personalizados e receber insights continuamente

Conclusão

Simplificando, o potencial em tempo real para análises aliviar uma variedade de desafios na indústria de saúde hoje é enorme. Com todo o progresso que foi feito na criação de nova tecnologia para catapultar saúde para a próxima geração de experiência do paciente, é apenas natural que a implantação de análises em tempo real para diagnóstico médico precoce, fraude médica e outras aplicações seguirá.