Uso de tecnologias de inteligência artificial no gerenciamento de lesões por pressão: uma revisão sistemática
Resumo
Contexto: As lesões por pressão (LPs) constituem um problema comum e evitável, mas continuam a representar um desafio por pelo menos duas razões. Em primeiro lugar, a escassez de enfermeiros é um fenômeno mundial. Em segundo, a maioria dos enfermeiros não tem conhecimentos suficientes sobre LPs. As tecnologias de inteligência artificial (IA) podem contribuir para diminuir a carga sobre a equipe de saúde, melhorando o prognóstico e a precisão diagnóstica das LPs. Tanto quanto sabemos, não foi feita uma revisão sistemática que avaliasse a forma como as atuais tecnologias de IA estão sendo usadas no gerenciamento de LPs.
Objetivo: O objetivo desta revisão foi sintetizar e avaliar a literatura sobre o uso de tecnologias de IA no gerenciamento de LPs e identificar os seus pontos fortes e fracos, além de identificar oportunidades de melhoria para estudos e práticas futuras.
Métodos: Realizamos uma extensa pesquisa nas bases de dados PubMed, EMBASE, Web of Science, Cumulative Index to Nursing and Allied Health Literature (CINAHL), Cochrane Library, China National Knowledge Infrastructure (CNKI), Wanfang database, VIP database e China Biomedical Literature Database (CBM) para identificar artigos relevantes. As pesquisas foram realizadas em junho de 2020. Dois investigadores independentes conduziram a seleção de estudos, a extração de dados e a avaliação da qualidade. O risco de vieses foi avaliado usando a ferramenta PROBAST (Prediction model Risk Of Bias ASsessment Tool).
Resultados: Ao todo, 32 artigos preencheram os critérios de inclusão. Desses, 12 (38%) descreveram o uso de tecnologias de IA para desenvolver modelos preditivos a fim de identificar fatores de risco, 11 (34%) para detecção e reconhecimento postural e 9 (28%) para análise de imagens para a classificação de tecidos e a medição de LPs. Esses artigos apresentaram diversos algoritmos e resultados. O risco geral de vieses foi considerado alto.
Conclusões: Diversas tecnologias emergentes de IA estão sendo usadas no gerenciamento de LPs, e os seus resultados em laboratório demonstram ser muito promissores. A pesquisa futura deve aplicar estas tecnologias em grande escala, usando dados clínicos para verificar e melhorar a sua efetividade, bem como para melhorar a qualidade metodológica.
Abstract
Background: Pressure injury (PI) is a common and preventable problem, yet it is a challenge for at least two reasons. First, the nurse shortage is a worldwide phenomenon. Second, the majority of nurses have insufficient PI-related knowledge. Machine learning (ML) technologies can contribute to lessening the burden on medical staff by improving the prognosis and diagnostic accuracy of PI. To the best of our knowledge, there is no existing systematic review that evaluates how the current ML technologies are being used in PI management.
Objective: The objective of this review was to synthesize and evaluate the literature regarding the use of ML technologies in PI management, and identify their strengths and weaknesses, as well as to identify improvement opportunities for future research and practice.
Methods: We conducted an extensive search on PubMed, EMBASE, Web of Science, Cumulative Index to Nursing and Allied Health Literature (CINAHL), Cochrane Library, China National Knowledge Infrastructure (CNKI), the Wanfang database, the VIP database, and the China Biomedical Literature Database (CBM) to identify relevant articles. Searches were performed in June 2020. Two independent investigators conducted study selection, data extraction, and quality appraisal. Risk of bias was assessed using the Prediction model Risk Of Bias ASsessment Tool (PROBAST).
Results: A total of 32 articles met the inclusion criteria. Twelve of those articles (38%) reported using ML technologies to develop predictive models to identify risk factors, 11 (34%) reported using them in posture detection and recognition, and 9 (28%) reported using them in image analysis for tissue classification and measurement of PI wounds. These articles presented various algorithms and measured outcomes. The overall risk of bias was judged as high.
Conclusions: There is an array of emerging ML technologies being used in PI management, and their results in the laboratory show great promise. Future research should apply these technologies on a large scale with clinical data to further verify and improve their effectiveness, as well as to improve the methodological quality.
