$ {alt}
Por Michael Haederle

O diabo está nos dados

A revisão do aprendizado de máquina de milhões de visitas de pacientes revela muitos casos não detectados de automutilação

Quando se trata de entender o big data, às vezes é difícil ver a floresta por causa das árvores.

Mas Christophe Lambert, PhD, e seus colegas do Centro de Saúde Global da UNM recentemente usaram um método de aprendizado de máquina para detectar um padrão perturbador oculto em milhões de registros de faturamento de seguros médicos.

Em artigo publicado no mês passado no Jornal da Associação Americana de Informática Médica, a equipe relatou a descoberta de que casos de automutilação entre pessoas com doenças mentais graves que procuram atendimento médico podem na verdade ser 19 vezes maiores do que o que é relatado nos registros de faturamento.

A descoberta sugere que os médicos e outros prestadores de cuidados geralmente atribuem códigos de cobrança padronizados para os cuidados que prestam, o que obscurece a possibilidade de que a lesão do paciente possa realmente ser causada por automutilação, em vez de acidente.

A descoberta sugere que isso pode ter influência no atendimento ao paciente.

"Próximos estudos nossos sugerem que uma pessoa enfrenta um risco três vezes maior de se machucar se já tiver feito isso antes", diz Lambert, professor associado do Departamento de Medicina Interna. Portanto, na tentativa de evitar futuras lesões autoprovocadas ou suicídio, "se você não estiver codificando, isso significa que o tratamento futuro do paciente pode ser comprometido por não ter essa informação importante em sua história", diz ele.

Lambert e sua equipe começaram seu estudo com um banco de dados anônimo contendo os registros de faturamento médico de mais de 130 milhões de americanos de 2003 a 2016. Eles limitaram sua pesquisa a um subconjunto de cerca de 10 milhões de pacientes com diagnóstico de doença mental grave, incluindo transtorno depressivo maior , transtorno bipolar, esquizofrenia e transtorno esquizoafetivo - pessoas que já são consideradas em maior risco de automutilação.

O aprendizado de máquina, no qual um computador aplica um algoritmo para analisar rapidamente um grande conjunto de dados, pode identificar padrões que não são imediatamente aparentes para os humanos. Nesse caso, os pesquisadores forneceram ao computador 185,000 mil variáveis ​​para aplicar às consultas de internação e emergência de cada paciente.

"Na verdade, jogamos na pia da cozinha", diz Lambert. "Basicamente, foi tudo o que aconteceu nessas visitas - incluindo todos os procedimentos e códigos de diagnóstico." Entre as descobertas que surgiram foi que os casos de provável automutilação foram drasticamente subnotificados.

Também houve discrepâncias inesperadas entre os casos que foram avaliados como lesões autoprovocadas e aqueles que não o foram.

Pessoas que foram tratadas por intoxicação e envenenamento, acidentes, asfixia, reparo cirúrgico no tórax e na cabeça, ferimento no pulso, pensamentos de autolesão, depressão e psicoterapia foram mais propensos a serem codificados como autolesões do que aqueles que apresentam transtorno de uso de substâncias, envenenamento por heroína , distúrbio neurológico, acidentes com veículos ou quedas.

Isso sugere que algumas das discrepâncias podem ser devidas ao que os provedores de motivação atribuem a um determinado comportamento, diz Lambert.

“Vemos, em média, quando alguém se machuca por causa de uma overdose de opióides ou drogas que têm efeitos prazerosos - eles são menos propensos a codificar como autoagressão”, diz Lambert. Mas uma avaliação de automutilação é mais provável quando alguém tomou uma overdose de aspirina ou pílulas para dormir, presumivelmente com a intenção de autolesão.

"Os homens também têm maior probabilidade de sofrer autolesão ser sub-codificada do que as mulheres", acrescentou Lambert, "e os estereótipos que os homens são menos propensos a divulgar ou obter ajuda do que as mulheres foram desmentidos pelos dados - parece provável que seja um preconceito na codificação do provedor com base no sexo de seus pacientes. "

Quando a automutilação codificada foi revelada, estimativas detalhadas de seu risco em função da idade, diagnóstico de doença mental, sexo e estado dos EUA surgiram. O risco máximo de automutilação é aos 15 anos para mulheres e 17 para homens, diminuindo após meados dos 20 anos.

As taxas de automutilação têm aumentado constantemente em todo o país desde 2006, e pessoas com mais de um diagnóstico de doença mental importante têm 18-25% de chance por ano de se machucarem entre as idades de 15 e 26 anos, onde o risco é maior.

O estudo foi parte de um corpo maior de pesquisa que Lambert tem conduzido com um prêmio de US $ 2.4 milhões do Instituto de Pesquisa de Resultados Centrados no Paciente para comparar a eficácia de vários tratamentos para transtorno bipolar, particularmente no que se refere a casos de automutilação, hospitalização e risco de efeitos colaterais.

Embora o estudo tenha se concentrado em como o atendimento ao paciente é classificado, Lambert acredita que o método poderia ser usado em uma estrutura preditiva.

"Pode-se usar o aprendizado de máquina de outra maneira, com base em seu histórico, incluindo casos de automutilação imputada anteriormente", diz ele. "Você está em uma categoria de alto risco por causa disso e / ou outros fatores em que o tratamento pró-ativo poderia ajudar?"

Lambert também está otimista de que a análise de dados em grande escala pode revelar percepções úteis para informar a tomada de decisão médica.

"Podemos aprender algo com esses conjuntos de dados?" ele pergunta. "A codificação é imperfeita, os humanos são imperfeitos, mas no conjunto, quando temos conjuntos de dados muito grandes, muito desse ruído pode ser medido e podemos obter respostas e evidências significativas."

Categorias: Saúde, Estudos, Faculdade de Medicina, Melhores histórias