Uso da inteligência artificial para melhorar os resultados de segurança do paciente: uma revisão sistemática da literatura

CONTEXTO: A inteligência artificial (IA) proporciona oportunidades para identificar riscos à saúde dos pacientes e assim influenciar os resultados de segurança do paciente. OBJETIVO: O objetivo desta revisão sistemática da literatura foi identificar e analisar estudos quantitativos que utilizassem ou integrassem a IA para abordar e notificar resultados de segurança do paciente ao nível clínico. MÉTODOS: Limitamos a nossa pesquisa às bases de dados PubMed, PubMed Central e Web of Science para identificar artigos publicados em inglês entre janeiro de 2009 e agosto de 2019. Nossa revisão se concentrou em estudos quantitativos que descrevessem mudanças positivas, negativas ou intermediárias nos resultados de segurança do paciente pelo uso de aplicações de IA, especificamente as que se baseiam em algoritmos de aprendizado automático e processamento de linguagem natural. Estudos quantitativos que relatassem apenas o desempenho da IA, mas não a sua influência sobre os resultados de segurança do paciente, foram excluídos da revisão. RESULTADOS: Identificamos 53 estudos elegíveis, que foram sintetizados segundo subcategorias de segurança do paciente, a IA usada com mais frequência e os indicadores de desempenho utilizados. As subcategorias de segurança identificadas foram os alarmes clínicos (n=9; IA baseada principalmente em modelos de árvore de decisão), notificação clínica (n=21; baseada em modelos de máquinas de vetores de suporte) e segurança dos medicamentos (n=23; baseada principalmente em modelos de árvore de decisão). A análise desses 53 estudos também fez duas constatações essenciais: (1) a falta de um modelo de referência padronizado e (2) a heterogeneidade dos estudos sobre IA na forma como descrevem os seus resultados. CONCLUSÕES: Esta revisão sistemática indica que os sistemas de apoio à decisão que utilizam a IA, quando implementados corretamente, podem ajudar a aumentar a segurança do paciente por melhorarem a detecção de erros, a estratificação de pacientes e a gestão dos medicamentos. São necessários novos estudos para validar adequadamente esses sistemas através de desenhos prospectivos em ambientes clínicos reais, a fim de avaliar a efetividade da IA na previsão dos resultados de segurança em ambientes de saúde.
 

BACKGROUND: Artificial intelligence (AI) provides opportunities to identify the health risks of patients and thus influence patient safety outcomes. OBJECTIVE: The purpose of this systematic literature review was to identify and analyze quantitative studies utilizing or integrating AI to address and report clinical-level patient safety outcomes. METHODS: We restricted our search to the PubMed, PubMed Central, and Web of Science databases to retrieve research articles published in English between January 2009 and August 2019. We focused on quantitative studies that reported positive, negative, or intermediate changes in patient safety outcomes using AI apps, specifically those based on machine-learning algorithms and natural language processing. Quantitative studies reporting only AI performance but not its influence on patient safety outcomes were excluded from further review. RESULTS: We identified 53 eligible studies, which were summarized concerning their patient safety subcategories, the most frequently used AI, and reported performance metrics. Recognized safety subcategories were clinical alarms (n=9; mainly based on decision tree models), clinical reports (n=21; based on support vector machine models), and drug safety (n=23; mainly based on decision tree models). Analysis of these 53 studies also identified two essential findings: (1) the lack of a standardized benchmark and (2) heterogeneity in AI reporting. CONCLUSIONS: This systematic review indicates that AI-enabled decision support systems, when implemented correctly, can aid in enhancing patient safety by improving error detection, patient stratification, and drug management. Future work is still needed for robust validation of these systems in prospective and real-world clinical environments to understand how well AI can predict safety outcomes in health care settings.