Modelo de dados para treinamento de inteligência artificial na pesquisa em saúde : um estudo prático sobre infecções hospitalares

Abstract

Este trabalho apresenta um modelo de dados para o treinamento de Inteligência Artificial (IA) na Pesquisa em Saúde, revisando a literatura existente sobre estes modelos, experimentando em laboratório um caso prático aplicado na busca ativa de infecções hospitalares e por fim propondo um debate sobre os requisitos para estruturação de um estúdio de Data Science no HCPA. As infecções hospitalares são um agravo à saúde e hoje são uma das principais causas de mortalidade no mundo. O diagnóstico correto destas infecções é fundamental para a adoção de medidas preventivas necessárias. As notificações passivas das infecções por parte dos profissionais têm baixa sensibilidade, já a busca ativa destas infecções na vigilância epidemiológica é mais sensível, mas o trabalho é demorado e despende mais de 60% do tempo das atividades dos profissionais com a revisão de prontuários e no preenchimento de planilhas de controle. Diferentes algoritmos foram utilizados para encontrar no modelo de dados proposto, um conjunto de critérios que caracterizam o diagnóstico de uma infecção relacionada à assistência à saúde. O treinamento e os testes foram realizados utilizando um grande volume de dados secundários com origem nos prontuários eletrônicos do HCPA. Os cadastros básicos, os meta-dados processados dos prontuários e os dados agregados que compõe os indicadores da instituição foram utilizados para descrição do contexto, possibilitando assim a proposição de um modelo de dados. O produto gerado a partir deste experimento intitulasse BIA - Banco de Dados para Inteligência Artificial. Os algoritmos treinados com o BIA atingiram resultados ligeiramente superiores aos apresentados na revisão da literatura, fornecendo informações importantes para adoção da IA nas rotinas da pesquisa em saúde, no trabalho da comissão de infecção hospitalar, na gestão clínica e administrativa dos hospitais e nas iniciativas de inovação nas instituições de saúde no Brasil.

This work presents a data model for Artificial Intelligence (AI) training in Health Research. Reviewing the literature on these models and the needs for data governance in this area, by experimenting in laboratory with a practical case applied in the active search for healthcare associetade infections and finally proposing a debate on the requirements for structuring a Data Science studio at HCPA. Hospital infections are a health problem and today it is one of the leading causes of mortality in the world. The correct diagnosis of these infections is fundamental for the adoption of necessary preventive measures. The passive notification of infections by professionals has low sensitivity, but the active search for these infections in epidemiological surveillance is more sensitive sice the work is time consuming and spends more than 60% of the time of the activities of the people involved with the review of medical records. patients and in the use of spreadsheets to control the work. Different programs will be used to find in the proposed data model a set of criteria that characterize the diagnosis of an infection related to health care. Both training and testing were performed using a large volume of secondary data from HCPA electronic records. The basic registers, the processed metadata of the medical records and the aggregated data that compose the indicators of the institution were also used to describe the context, thus enabling the proposition of a multilevel model for AI training. The product generated from this experiment is called BIA - Database for IA. The results obtained in the experiment were positive indicating that the algorithms trained with the BIA can reach up reasults better than shown in previous systematic revisions, providing important information to initiate the adoption of the IA in the routines of health research, in the work of the hospital infection commission, in the clinical and administrative management of hospitals, and in health innovation initiatives in health institutions in Brazil.