PROCESSAMENTO DE LINGUAGEM NATURAL NA IDENTIFICAÇÃO DE QUEDAS EM PRONTUÁRIOS ELETRÔNICOS DOS PACIENTES: CASO-CONTROLE

VOL 1, 2025 - 322863
Resumo
Favoritar este trabalho
Como citar esse trabalho?
Resumo

Introdução: A queda é amplamente conhecida pelos potenciais danos1. O prontuário eletrônico oportuniza novas abordagens na detecção de incidentes em saúde. O processamento de linguagem natural possibilita o refinamento de modelos existentes para adquirir maior performance na detecção de quedas2. A falta de estudos de implementação indica a necessidade de explorar a aplicabilidade de técnicas de processamento de linguagem natural3.

Objetivos: Avaliar o potencial de identificação de quedas registradas nos prontuários eletrônicos dos pacientes utilizando um prompt zero-shot no modelo de linguagem de grande escala GPT-4º.

Método: Caso-controle retrospectivo, aninhado a um projeto guarda-chuva do Instituto de Inteligência Artificial na Saúde. Realizado em um hospital universitário de Porto Alegre/RS. A amostra foi composta por registros eletrônicos de pacientes adultos internados em unidades de internação no ano de 2023. Os dados foram extraídos via consulta SQL em banco de dados relacional de prontuário eletrônico. Foram extraídas duas amostras do prontuário eletrônico dos pacientes contendo 35 evoluções com registros de queda e 65 não relacionados à ocorrência de quedas. Foi desenvolvido um script em Python e utilizado processamento de linguagem natural via GPT-4º integrado ao Azure OpenAI. O desempenho do prompt foi analisado por meio de sensibilidade, especificidade, escore F1 e precisão. Projeto aprovado pela Comissão Científica da Escola de Medicina da PUCRS e pelo Comitê de Ética em Pesquisa do Hospital Nossa Senhora da Conceição (CAAE: 46652521.9.0000.5530). Os pesquisadores assinaram o Termo de Compromisso com a Utilização de Dados.

Resultados: A primeira aplicação do prompt foi realizada em 100 evoluções e resultou em sensibilidade de 1, especificidade de 0,95, precisão de 0,92 e escore F1 de 0,96. A segunda aplicação, em 100 evoluções distintas, resultou em sensibilidade de 0,94, especificidade de 0,94, precisão de 0,89 e escore F1 de 0,92.

Conclusões: O modelo identificou corretamente as quedas em registros do prontuário eletrônico. Ressalta-se a necessidade de estudos com o objetivo de treinar modelos tradicionais e de menor custo. A integração desse modelo com ferramentas de gestão hospitalar possibilita o monitoramento contínuo e contribui para análises e tomadas de decisão mais rápidas e seguras.

Implicações para a segurança do paciente: Dados mais precisos contribuem para o planejamento de estratégias para a prevenção de incidentes. A subnotificação de quedas impacta negativamente os indicadores relacionados à sua ocorrência, prejudicando a implementação de medidas de prevenção. Modelos baseados em inteligência artificial podem reduzir a carga de trabalho, permitindo o enfoque em intervenções adequadas pelas equipes.

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Instituições
  • 1 Pontifícia Universidade Católica do Rio Grande do Sul
  • 2 Orango I/O Tecnologia
  • 3 No Harm
  • 4 Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)
Eixo Temático
  • Eixo 2 - Ações para melhorar a performance dos resultados na segurança do paciente
Palavras-chave
Acidentes por Quedas
Processamento de Linguagem Natural
Hospitais