Um estudo retrospectivo sobre a efetividade de um sistema de apoio à decisão clínica baseado em inteligência artificial (AI-CDSS) para reduzir a incidência de tromboembolismo venoso hospitalar
Resumo
Contexto: A tecnologia de inteligência artificial é amplamente utilizada na indústria da saúde. Este estudo retrospectivo examinou a efetividade de um sistema de apoio à decisão clínica baseado em inteligência artificial (AI-CDSS) para reduzir a incidência de tromboembolismo venoso (TEV) relacionado à internação hospitalar e avaliou o seu impacto no uso de anticoagulantes.
Métodos: Este estudo coletou dados relevantes sobre pacientes adultos com mais de 18 anos de idade que não tiveram alta hospitalar em 24 horas, de janeiro a julho de 2019 e de janeiro a julho de 2020, no Departamento de alto risco de TEV do Hospital Ruijin. Analisamos a incidência de TEV relacionado à internação hospitalar e o uso de anticoagulantes antes e depois do uso do AI-CDSS.
Resultados: Entre janeiro e julho de 2019 e janeiro e julho de 2020, 3.565 e 4.423 pacientes adultos com mais de 18 anos foram internados em nosso hospital e separados em um grupo controle e um grupo de intervenção, respectivamente (7.988 no total). Os dois grupos tinham características semelhantes na linha de base. Houve 4.716 (59,03%) pacientes do sexo masculino, a idade média foi de 60,43 ± 13,09 anos e o tempo de internação médio foi de 7,56 ± 7,76 dias. Mais da metade dos pacientes (4.605, 57,58%) veio de serviços respiratórios. Ocorreram eventos de TEV durante a internação em 41 pacientes, o que representou 5,13/1.000 pacientes (41 episódios em 7.988 pacientes). Em comparação com o grupo-controle, antes da implementação do AI-CDSS, a taxa de TEV no grupo de intervenção durante a internação foi reduzida de 5,89/1.000 (21 episódios em 3.565 pacientes) para 4,75/1.000 pacientes (20 episódios em 4.423 pacientes) (redução relativa de 19,35%). A taxa de uso de anticoagulantes aumentou de 19,97% (712/3.565) no grupo-controle para 22,88% (1012/4423) no grupo de intervenção [p<0,01, odds ratio (OR): 1,19, intervalo de confiança de 95% (IC 95%) (1,07-1,32) (aumento relativo de 14,57%]. Os resultados da regressão de Poisson demonstraram que o departamento hospitalar, idade ≥75 anos (OR: 3,09, IC 95% 1,45-6,33), duração da internação (OR: 1,04, IC 95% 1,03-1,05), insuficiência cardíaca (OR: 5,13, IC 95% 1,74-13,54) e insuficiência renal (OR: 3,60, IC 95% 0,90-11,34) foram fatores de alto risco para TEV.
Conclusões: A implementação do AI-CDSS pode ajudar os profissionais clínicos a identificar pacientes internados com maior risco de TEV, adotar medidas de prevenção eficazes e melhorar a adesão dos profissionais clínicos às diretrizes do American College of Chest Physicians (ACCP).
Abstract
Background: Artificial intelligence technology is widely used in the medical industry. Our retrospective study evaluated the effectiveness of an AI-CDSS in improving the incidence of hospital-related VTE and the impact of anticoagulant drug use.
Methods: This study collected relevant data on adult patients over 18 years of age who are not discharged 24 hours, from January to July 2019 and from January to July 2020, the VTE high-risk department of Ruijin Hospital. Before and after using AI-CDSS, the incidence of hospital-related VTE and using anticoagulants were analyzed.
Results: Between January to July 2019 and January to July 2020, 3,565 and 4,423 adult patients over 18 years old were hospitalized in our hospital and were designed as a control group and intervention group, respectively (7,988 in total). Both groups had similar baseline characteristics. There were 4,716 (59.03%) male patients, the mean age was 60.43±13.09 years, and the mean stay was 7.56±7.76 days. More than half of the patients (4,605, 57.58%) came from the respiratory. VTE events during hospitalization occurred in 41 patients; overall, 5.13/1,000 (41 episodes in 7,988 patients). Compared with the control group, before implementing AI-CDSS, the rate of VTE during hospitalization was reduced from 5.89/1,000 (21 episodes in 3,565 patients) to 4.75/1,000 patients (20 episodes in 4,423 patients) (relative reduction of 19.35%) in the intervention group. The use rate of anticoagulant drugs was increased from 19.97% (712/3,565) in the control group to 22.88% (1,012/4,423) in intervention group [P<0.01, odds ratio (OR): 1.19, 95 percent confidence interval (95% CI) (1.07-1.32)], (relative 14.57% increase). Poisson's regression results showed that department, age ≥75 years [OR: 3.09, 95% Cl (1.45-6.33)], duration of hospitalization [OR: 1.04, 95% CI (1.03-1.05)], heart failure [OR: 5.13, 95% CI (1.74-13.54)] and renal failure [OR: 3.60, 95% CI (0.90-11.34)] were high-risk factors for VTE events.
Conclusions: Implementing AI-CDSS can help clinicians identify hospitalized patients at increased VTE risk, take effective preventive measures, and improve clinicians' compliance with the American College of Chest Physicians (ACCP) guidelines.
