O Hospital Moinhos de Vento (HMV), representado pelo chefe do Serviço Médico de Emergência, Paulo Schmitz (foto), apresentou no HIMSS@HOSPITALAR – International Digital Healthcare Forum 2017 – o HopScore, um sistema de triagem baseado em Big Data e algoritmos de aprendizagem desenvolvido pelo HMV, em parceria com a Johns Hopkins Medicine. O portal de notícias Setor Saúde acompanhou a apresentação, em São Paulo.

O sistema, ou escala – como afirmou Schmitz -, foi criado para que, no momento em que o paciente chega na emergência do hospital e passa pelo serviço de triagem, o HopScore possa, baseado em milhares de dados Big Data e através de algoritmos e desfechos clínicos, encontrar a melhor designação da situação desta pessoa – se é emergencial ou se não necessita de cuidados urgentes.

Segundo o médico, “vivemos em uma época em que as pessoas estão mais imediatistas”, menos tolerantes à espera, e assim, muitas vezes procuram as emergências em busca da rapidez, lotando os pronto-atendimentos. “Por isso temos que ter prioridades, para que os mais graves sejam vistos antes dos menos urgentes”, comenta Schmitz. Dessa forma, o hospital espera encaminhar os pacientes menos urgentes para áreas de menor complexidade e, portanto, “ter o paciente certo no lugar certo”.

Conforme explicou Paulo Schmitz, os objetivos do HopScore são aumentar a segurança do paciente, melhorar a utilização dos recursos, prever a possibilidade de desfechos clínicos, ser menos subjetivo e menos intuitivo, distribuir de maneira equivalente as diferentes classificações (Triagem de Manchester: vermelho, laranja, amarelo, verde e azul), adaptada a contextos clínicos diversos e não depender de questões de linguagem.

Para a construção da ferramenta, o médico ressaltou que o projeto “lidou intimamente com os pilares da inteligência artificial que é o Big Data, o machine learning, modelos estatísticos através de algoritmos e linguagem natural”. Dessa maneira, a partir de um banco de dados de 97 milhões de registros de atendimentos do sistema de saúde dos Estados Unidos, tirou-se 25 mil registros de emergência completos americanos e 115 mil do Hospital Moinhos de Vento e, a partir daí, se observou quais as variáveis mais importantes na predição do risco do paciente. “Os fatores mais importantes [notados nos milhares de dados] para definir o risco do paciente ao chegar na emergência eram a idade, o sexo, a queixa principal e os sinais vitais”, comentou Schmitz. “A partir da análise desses registros iniciais, eu poderia ver o que aconteceu com o paciente depois, e dentro disso, montar um algoritmo em que eu pudesse com cada uma dessas variáveis, montar um padrão que seria usado nos próximos pacientes que viriam à emergência”, explicou o médico.

O desafio da linguagem

Paulo Schmitz comentou que o principal problema foi a linguagem. “Nossa queixa principal é em texto livre. Imagine parametrizar isso”. Dessa forma, para conseguir atingir os objetivos, foi preciso traduzir o texto de português para o inglês, utilizando um software de processamento de linguagem natural; para, depois, voltar o texto ao português. Assim, chegou-se a 924 queixas – que agrupadas se tornaram 100 síndromes clínicas de relevância. Além disso, o médico comentou que foi necessário também a inserção e o desenvolvimento de sinônimos para a linguagem natural livre. Schmitz exemplificou o desafio com a gíria gaúcha “ir aos pés”. “O paciente chega e diz: ‘Doutor, eu estou com prisão de ventre e não consigo ir aos pés’. Vocês imaginam a dificuldade de traduzir ‘ir aos pés’ para o inglês e transformar isso em constipação. Esse é o desafio maior de se transformar a linguagem em coisas parametrizadas”, afirmou.

Desfechos

Os primeiros testes realizados apontaram 91% de precisão com relação aos desfechos, afirmou Schmitz. Portanto, de todos os casos analisados – e que já haviam acontecido – o método acertou o desfecho da grande maioria. Conforme o médico, até agora, o índice de acerto entre a escala ESI (Emergency Severity Index) e a HopScore é de 26% na classificação laranja; e na verde igualmente 26%. “Isso ainda é muito pouco, mas estamos agora numa próxima fase. Queremos ver os desfechos, queremos ver o que aconteceu com esses pacientes que tiveram a classificação laranja do HopScore e com os que foram classificados como laranja no ESI”, contou Schmitz, que ainda afirmou que, a partir disso, “se a gente ver que o HopScore é muito melhor que o ESI – e tem tudo para ser, com 115 mil casos analisados -, esperamos, depois de comparar os desfechos e as previsões, talvez substituir como ferramenta de classificação”, explicou o chefe do Serviço Médico de Emergência.

Os algoritmos, no entanto, também são mutáveis. Segundo Schmitz, “a grande ´coisa´ do machine learning, do aprendizado de máquina, é que o algoritmo vai mudando com o tempo”. Ele diz que se, por exemplo, as pessoas identificam dor como algo muito grave, colocando – numa escala de 1 a 10 – como 10, para um atendimento mais rápido, “o algoritmo vai ver que os desfechos são melhores do que a 1 antes e aquilo já muda a classificação”.

Expectativa

No futuro, a expectativa é que a ferramenta possa se expandir a outras áreas. “Para prever o prognóstico das pessoas, o tempo de internação, até [mesmo] na gestão”. O paciente que chega com alguns sinais e sintomas por exemplo, e partir disto, “sabermos quanto tempo ele vai ficar internado no hospital” explicou Paulo Schmitz. O médico também falou que, sabendo se o paciente vai internar ou se vai precisar de maiores atendimentos, a ferramenta também ajudaria na gestão de leitos, indicaria uma necessidade de se construir mais UTIs ou outros centros de tratamento, por exemplo.

HopScore: saiba mais no site da Johns Hopkins.