Um novo estudo liderado por uma pesquisadora da University of Western Australia descobriu que a inteligência artificial usando computador ou aprendizado de máquina pode ajudar a reduzir complicações cardiovasculares comuns após cirurgia não cardíaca, incluindo ataques cardíacos e lesões no músculo cardíaco.
A Dra. Janis Nolde, da Faculdade de Medicina da UWA e do Royal Perth Hospital, e uma equipe internacional de pesquisadores avaliaram dados de mais de 24.000 participantes no estudo de Coorte de Avaliação de Eventos Vasculares em Cirurgia Não Cardíaca (VISION), com os resultados publicados na Anaesthesia.
A equipe queria estabelecer se o aprendizado de máquina e os dados poderiam prever complicações médicas, particularmente complicações cardiovasculares de cirurgias (exceto cirurgias cardíacas) antes que elas ocorram, de modo a identificar e tratar melhor os pacientes vulneráveis.
“Todos os anos, mais de 200 milhões de pacientes em todo o mundo passam por grandes cirurgias não cardíacas, e cerca de 10 milhões deles sofrem um evento cardiovascular significativo em 30 dias, o que pode levar a taxas de mortalidade mais altas, problemas de saúde e diminuição da sobrevida a longo prazo”, disse a Dra. Nolde.
“As complicações cardiovasculares mais comuns após a cirurgia são ataques cardíacos e lesões no músculo cardíaco, mas muitas vezes são difíceis de detectar porque os sintomas podem ser ocultados e os exames de rotina podem passar despercebidos.”
Usando um teste de laboratório sensível que mede uma proteína (troponina) liberada na corrente sanguínea quando há dano ou lesão no músculo cardíaco, o grupo de pesquisa descobriu que um em cada seis pacientes apresenta níveis elevados nos primeiros três dias de pós-operatório.
“Esta condição, conhecida como lesão miocárdica após cirurgia não cardíaca, está associada a um risco muito maior de morte e outras complicações graves nas próximas semanas, mas é difícil prever com variáveis como idade, condicionamento físico, quaisquer distúrbios médicos subjacentes e problemas surgidos durante ou logo após a cirurgia, todos precisam ser levados em consideração”, disse a Dra. Nolde.
“O aprendizado de máquina, particularmente as redes neurais, oferece uma abordagem promissora, pois essas técnicas podem analisar grandes quantidades de dados e identificar padrões e relacionamentos complexos que, de outra forma, seriam difíceis de detectar. Eles são muito adaptáveis, portanto podem ser implementados e adaptados a muitas configurações diferentes.”
O professor de medicina da UWA e chefe de cardiologia do Royal Perth Hospital, Graham Hillis, disse que os resultados do estudo sugerem que a integração de técnicas de aprendizado de máquina com dados coletados rotineiramente antes, durante e após a cirurgia pode ser uma maneira promissora de identificar melhor os pacientes com maior risco e aqueles cujos o risco pode aumentar com o tempo.
“Isso pode permitir que os profissionais de saúde detectem problemas mais cedo e intervenham mais cedo para mitigar possíveis complicações”, disse o professor Hillis. “Mais trabalhos estão planejados para ajustar esses métodos e incorporá-los aos cuidados de rotina”.
Quer saber mais?
Fonte: https://medicalxpress.com/news/2023-05-machine-deaths-non-cardiac-surgery.html
