Uma estrutura em evolução para usar ferramentas de Big Data e aprendizado de máquina para aprimorar a melhora da qualidade perioperatória, a pesquisa e a segurança do paciente

Michael R. Mathis, MD; Robert B. Schonberger, MD, MHCDS; Anthony L. Edelman, MD, MBA; Allison M. Janda, MD; Douglas A. Colquhoun, MB ChB, MSc, MPH; Michael L. Burns MD, PhD; Nirav J. Shah, MD

Em uma era de adoção quase completa de prontuários eletrônicos de saúde (EHRs) e coalescência de dados de saúde entre departamentos e instituições, surgiu um reconhecimento crescente de variação de prática. O cuidado perioperatório não é exceção, com os estudos recentes demonstrando ampla variação no nível da instituição em práticas como técnicas anestésicas empregadas,1 medicamentos administrados,2,3 e modelos de equipes de centro cirúrgico usados.4 Em alguns casos, a variação das práticas é garantida, conforme explicado por fatores como treinamento em subespecialidade, restrições de recursos locais para a saúde e as expectativas informadas pelos pacientes. Ainda assim, a variação nos casos não é explicada nem ocorre sem garantias, e pode ser atribuída a uma falta de referência de prática, alocação não ideal dos recursos do hospital ou falta de tratamento de precisão adaptado às necessidades individuais do paciente.5,6

Em alguns casos, essa variação das práticas pode estar associada a resultados piores, incluindo padrões de prática da proporcionalidade da equipe profissional de anestesia,4 nível de conformidade do hospital com as práticas de segurança,7 e falha nas taxas de resgate.8

Para abordar a variação não explicada ou não garantida, a melhoria da qualidade (QI) moderna e as iniciativas de pesquisa buscam, cada vez mais, abordagens multicêntricas nos sistemas de aprendizado da saúde, integrando evidências de eficácia comparativa obtida de variação das práticas nos centros para desenvolver referências e medidas de qualidade.9,10 Com infraestruturas multicêntricas estratégicas, essas referências em medidas de qualidade podem, por sua vez, ser disseminadas entre as instituições participantes para iterar, rapidamente, em relação às práticas recomendadas em evolução e aprimorar a segurança e o valor do tratamento de saúde do paciente.11,12 Uma infraestrutura de sistema de aprendizado da saúde relevante para o tratamento perioperatório é o Perioperative Outcomes Group (MPOG), que abrangemos neste artigo para ilustrar (i) abordagens necessárias para integrar EHRs perioperatórios para melhoria da qualidade (QI) e da pesquisa; (ii) ferramentas de Big Data que podem ser usadas para processar grandes volumes de dados de saúde perioperatórios acumulados (iii) a proposta de valor da criação de comunidades para compartilhar resultados das pesquisas e das medidas de qualidade e melhorar o tratamento e a segurança perioperatórios do paciente. Por fim, com o surgimento das abordagens da inteligência artificial e do aprendizado de máquina oferecendo novas oportunidades para melhoria da coleta de informações de saúde e da tomada de decisões clínicas, descrevemos os desafios principais para uma implementação bem-sucedida e sustentada de métodos de inteligência artificial/aprendizado de máquina e abordagens para lidar com esses desafios.

PRINCÍPIOS DE UM SISTEMA DE APRENDIZADO DA SAÚDE GUIADO POR DADOS PERIOPERATÓRIOS: O MULTICENTER PERIOPERATIVE OUTCOMES GROUP (MPOG)

Os dados de EHR são altamente variáveis entre as instituições

Um sistema de aprendizado da saúde (LHS) foi definido como um “no qual a geração do conhecimento está tão incorporada no núcleo da prática da medicina que é uma consequência e um produto natural do processo de fornecimento de tratamento de saúde e leva à melhoria no tratamento.”13 O MPOG aspira ser um sistema de aprendizado da saúde focado no tratamento perioperatório que aborda padrões continuamente mais altos para QI, pesquisa e segurança do paciente (Figura 1). O MPOG foi lançado em 2008 por vários centros acadêmicos interessados em usar seus sistemas de registros eletrônicos de anestesia para análises observacionais de vários centros. No entanto, logo se tornou claro que esse mesmo conjunto de dados, com e colaboração adequadas, poderia ser a base de um sistema de aprendizado da saúde em que os dados do MPOG geram conhecimento. Esse conhecimento leva a mudança de prática, que, por sua vez, leva a novos dados. O efeito de volante dessa abordagem levou até agora, à participação de quase 100 hospitais no grupo MPOG. Por sua vez, o MPOG desenvolveu ferramentas para extrair, ingerir e analisar esses dados para uma variedade de usos relacionados a pesquisa, QI e educação. O conjunto de dados mínimo enviado por cada instituição inclui dados fisiológicos, de medicação, de notas de texto, de equipe, de eventos importantes e de entrada e saída de fluidos no período perioperatório. Todos esses marcadores são gerados automaticamente de dados mapeados institucionalmente dentro de registros médicos de anestesia existentes, sendo amplamente independentes do fornecedor de EHR específico que cada instituição usa. Além disso, o histórico perioperatório e as informações físicas, os resultados laboratoriais e os dados administrativos, como códigos CPT (Current Procedural Terminology, Terminologia procedimental atual), diagnósticos de alta e dados de mortalidade no hospital estão incluídos.

Figura 1: Pilares de pesquisa e de melhoria de qualidade do MPOG (Perioperative Outcomes Group).

Figura 1: Pilares de pesquisa e de melhoria de qualidade do MPOG (Perioperative Outcomes Group).

Os dados de EHR são altamente variáveis entre as instituições. Como resultado, um componente básico do MPOG é a metodologia para converter dados de EHR entre os centros participantes em fenótipos validados, pré-calculados, que podem ser utilizados para pesquisa e QI.14 Esse processo rigoroso envolve aplicar algoritmos para integrar combinações de todos os tipos de dados dentro do MPOG para gerar inferências clínicas mais confiáveis. Essas inferências servem como blocos de construção que permitem que os pesquisadores realizem as análises e que os líderes de QI e os médicos entendam a variação nos padrões de tratamento. Exemplos de fenótipos que são componentes essenciais da pesquisa do MPOG e de QI incluem técnica de anestesia, o status físico da American Society of Anesthesiologists e o status de fumante dos pacientes. Em cada um desses casos, há milhares de maneiras de esses dados serem documentados nos centros, e os algoritmos de software desenvolvidos pelo MPOG convertem os dados em fenótipos interoperáveis.

FERRAMENTAS DO MPOG PARA TRANSFORMAR DADOS DO EHR PERIOPERATÓRIOS EM CONHECIMENTO E AÇÃO PARA MELHORAR A SEGURANÇA DO PACIENTE

O MPOG desenvolveu programas e ferramentas para analisar Big Data

O MPOG desenvolveu programas e ferramentas para analisar Big Data e permitir inferências para QI com nuances e significativa e projetos de pesquisa voltados a melhorar a segurança do paciente.

A missão de QI do MPOG é regida por seu Comitê de qualidade, composto por líderes de QI do profissional de anestesia para cada centro participante. Esse comitê aprova e mantém medidas de qualidade que refletem as melhores evidências disponíveis com um plano estabelecido de revisitar medidas de QI a intervalos regulares para acomodar a base de conhecimento em evolução e em expansão do campo. Ideias para novas iniciativas de QI são geradas desse comitê e também de comitês de subespecialidades focados em anestesia pediátrica, obstétrica, geriátrica e cardíaca, cada um composto por defensores da qualidade e especialistas no assunto das instituições participantes. Esses comitês fomentam discussões abertas, colaboração e o compartilhamento de práticas recomendadas e de lições aprendidas.

Para que os membros implementem a mudança em suas instituições, o MPOG desenvolveu uma série de programas, baseados nos fenótipos calculados. Esses programas incluem desenvolvimento de medidas de QI, feedback em nível da prática, feedback do profissional individual, kits de ferramentas de QI e reuniões colaborativas de qualidade, conforme descrito na Tabela 1. Encontre detalhes adicionais descrevendo todas as medidas de QI em https://spec.mpog.org/Measures/Public. O desempenho do profissional individual pode ser controlado e o feedback pode ser fornecido para os indivíduos (Figura 2).

Tabela 1: Programas de melhoria de qualidade dentro do Multicenter Perioperative Outcomes Group.

Tabela 1: Programas de melhoria de qualidade dentro do Multicenter Perioperative Outcomes Group.

Figura 2: Feedback individual do profissional sobre a qualidade perioperatória: E-mails de desempenho personalizados.

Figura 2: Feedback individual do profissional sobre a qualidade perioperatória: E-mails de desempenho personalizados.

Para complementar sua missão de QI, a missão de pesquisa do MPOG é regida por seu Comitê de pesquisa, que coordena as iniciativas de pesquisa clínica do MPOG analisando as propostas enviadas e controlando o progresso de projetos em andamento. Esse comitê, composto por investigadores principais do MPOG de cada centro participante, avalia as propostas de pesquisa do MPOG, fornece orientação vital sobre hipóteses e metodologia, além de garantir a adequação científica da pesquisa clínica usando os dados do MPOG antes da aprovação de um projeto. Para que ocorra pesquisa significativa usando dados do MPOG, o grupo criou vários programas e ferramentas para aproveitar o Registro. Esses programas incluem reuniões regulares do comitê de pesquisa e o retiro anual do MPOG, além de ferramentas de software (por exemplo, DataDirect®, Ann Arbor, Michigan) para desenvolver coortes de pesquisa e agilizar consultas de pesquisa.

MELHORIA DE DESEMPENHO DENTRO DO ESTADO DE MICHIGAN

No estado de Michigan, o MPOG faz parte de um programa de QI financiado pela Blue Cross Blue Shield de Michigan, que funciona como um sistema de aprendizado da saúde.17 Esse programa financia grupos de QI em uma gama de especialidades e problemas de saúde.18 Por meio dos mecanismos descritos acima, análises não cegas de desempenho, reuniões colaborativas de várias especialidades e incentivos financeiros orientados pelo pagador levaram a melhorias substanciais no tratamento. Essas melhorias são evidenciadas por avanços em domínios importantes do cuidado anestésico, como controle glicêmico e de temperatura, além de atingir tratamento mais acessível para os hospitais que participam desse programa (Tabela 2).19

Tabela 2: Exemplos do Multicenter Perioperative Outcomes Group do impacto da melhoria da qualidade.

Tabela 2: Exemplos do Multicenter Perioperative Outcomes Group do impacto da melhoria da qualidade.

INICIATIVA DE PESQUISA: AVALIAÇÕES DE VARIAÇÕES DE PRÁTICAS MULTICÊNTRICAS E ESTRUTURAS DE TRATAMENTO PERIOPERATÓRIO

Devido à amplitude da variação das práticas perioperatórias entre médicos e centros, achados de pesquisa importante do MPOG incluíram estudos que quantificam o grau no qual os padrões de prática são explicados pelo médico ou pela instituição, em vez de pelo paciente ou pela equipe cirúrgica. Essa variação das práticas, possivelmente, indicativas de treinamento do médico, das preferências pessoais pelas práticas ou das estruturas no nível da instituição de tratamento clínico e da infraestrutura, têm sido usadas para estudar o impacto nos resultados dos pacientes. Em alguns casos, a variação das práticas, incluindo proporções da equipe de profissionais de anestesia, a conformidade do hospital com as práticas de segurança,7 e a falha nas taxas de resgate8, está associada a resultados piores, enquanto que, em outros casos, há uma falta de associação com resultados adversos, incluindo cirurgias sobrepostas por um cirurgião responsável20 ou cirurgias nas quais o cirurgião operou a noite toda no dia anterior.21

OPORTUNIDADES E DESAFIOS APRESENTADOS PELA INTELIGÊNCIA ARTIFICIAL E APRENDIZADO DE MÁQUINA NO TRATAMENTO PERIOPERATÓRIO

Existem desafios à adoção segura de inteligência artificial

Junto com o desenvolvimento de ferramentas de Big Data para processamento de dados de prontuários de saúde eletrônicos (EHR) para realizar pesquisa estudo multicêntrico e QI, há oportunidades de aplicar métodos usando inteligência artificial e aprendizado de máquina para melhorar a qualidade dos dados, desenvolver medidas de QI e melhorar o tratamento clínico por meio do desenvolvimento de algoritmo preditivo. Devido às complexidades e à granularidade de dados perioperatórios do EHR, os métodos de inteligência artificial/aprendizado de máquina capazes de processar grandes números de interações complexas não lineares em variáveis oferecem, algumas vezes, vantagens significativas sobre as abordagens estatísticas clássicas. Ainda assim, existem desafios à adoção segura de métodos de inteligência artificial/aprendizado de máquina nos sistemas de aprendizado da saúde. Esses desafios incluem (i) variações na base de conhecimento disponível para o médico a respeito de pontos fortes e pontos fracos; (ii) uma necessidade de supervisão e de governança do algoritmo clínico; (iii) a necessidade de garantir fidelidade dos dados de origem, por meio dos quais os algoritmos de inteligência artificial/aprendizado de máquina são treinados; e (iv) uma abordagem sistemática para reconhecer e abordar vieses possivelmente propagados nos sistemas de suporte à decisão clínica baseados em inteligência artificial/aprendizado de máquina (Figura 3).

Figura 3: Considerações para a adoção segura de inteligência artificial (IA) e de aprendizado de máquina (ML) no tratamento perioperatório.

Figura 3: Considerações para a adoção segura de inteligência artificial (IA) e de aprendizado de máquina (ML) no tratamento perioperatório.

Em relação ao conhecimento do médico, a educação da inteligência artificial/aprendizado de máquina está sendo incorporada nos currículos médicos e em oportunidades de educação médica continuada no tratamento de saúde.22 Em relação à governança e à supervisão do algoritmo, as iniciativas de QI e de segurança do paciente propõem infraestruturas para os comitês monitorarem os modelos de inteligência artificial/aprendizado de máquina implantados em um sistema de saúde.23 Com relação à fidelidade dos dados, abordagens para diagnosticar e remediar as mudanças na qualidade dos dados do EHR são propostas,24 focando a manutenção da comunicação de ciclo fechado entre os médicos da linha de frente e os comitês de governança do algoritmo, que podem melhorar a segurança do paciente, promovendo a conscientização sobre o baixo desempenho do modelo e treinando, assim, os médicos nos contextos clínicos nos quais o modelo de previsão podem ou não ser considerados. Por fim, como ainda restam preocupações com relação a vieses do algoritmo, oportunidades de abordar o desempenho do modelo diferencial em subgrupos clínicos variados, particularmente quando baseados em raça, etnia e sexo,25incluem examinar explicitamente o desempenho do modelo da inteligência artificial/aprendizado de máquina nesses subgrupos.

CONCLUSÃO

As oportunidades estão prontas para unir os dados de EHR perioperatórios entre os pacientes, os médicos, as instituições e as regiões para realizar pesquisa de eficácia comparativa e melhorar a qualidade e a segurança do tratamento de anestesia. Os sistemas de aprendizado da saúde perioperatória equipados com ferramentas de Big Data com uso adequado de métodos novos de inteligência artificial/aprendizado de máquina fornecem uma plataforma para as comunidades médicas compartilharem dados, trocarem ideias e disseminarem práticas recomendada em evolução dentro de um sistema de aprendizado da saúde.

 

Michael R. Mathis é professor adjunto de anestesiologia e membro afiliado do corpo docente no Departamento de bioinformática computacional na Michigan Medicine, Universidade de Michigan, Ann Arbor, MI.

Robert B. Schonberger é professor adjunto e vice-presidente de assuntos acadêmicos em anestesiologia na Faculdade de medicina de Yale, New Haven, CT.

Anthony L. Edelman é professor assistente de anestesiologia e presidente adjunto para anestesiologia adulto na Michigan Medicine, Universidade de Michigan, Ann Arbor, MI.

Allison M. Janda, MD, é professora assistente de anestesiologia na Michigan Medicine, Universidade de Michigan, Ann Arbor, MI.

Douglas A. Colquhoun, MB ChB, MSc, MPH, é professor assistente de anestesiologia na Michigan Medicine, Universidade de Michigan, Ann Arbor, MI.

Michael L. Burns, MD, é professor assistente de anestesiologia na Michigan Medicine, Universidade de Michigan, Ann Arbor, MI.

Nirav J. Shah é professora adjunta de anestesiologia na Michigan Medicine, Universidade de Michigan, Ann Arbor, MI.


Michael Mathis, MD, recebeu bolsas de pesquisa dos institutos nacionais de saúde dos EUA (NHLBI, NIDDK, AHRQ) e apoio à pesquisa pago para a Universidade de Michigan de Chiesi, EUA, não relacionado a este trabalho atual. Robert Schoenberger, MD, MCDHS, relata que tem ações da Johnson and Johnson não relacionadas ao trabalho atual. Anthony Edelman, MD, recebeu financiamento (pago para a Universidade de Michigan) dos Institutos nacionais de saúde dos EUA (AHRQ) não relacionado a este trabalho atual. Allison Janda, MD, recebeu bolsa de pesquisa dos Institutos nacionais de saúde dos EUA (NHLBI) e do Instituto de pesquisa de resultados centrados no paciente não relacionado a este trabalho atual. Douglas Colquhoun, MB ChB, MSc, MPH, recebeu uma bolsa de pesquisa dos Institutos nacionais de saúde (NHLBI) e apoio à pesquisa pago para a Universidade de Michigan da Merck & Co e da Chiesi, EUA, não relacionado a este trabalho atual. Michael Burns, MD, recebeu apoio com bolsa de pesquisa da Blue Cross Blue Shield of Michigan (BCBSM) e do Instituto de pesquisa de resultados centrados no paciente não relacionado a este trabalho atual e é o cofundador da Decimal Code, Inc., não relacionado a este trabalho atual. Nirav Shah, MD, recebeu financiamento (pago para a Universidade de Michigan) dos Institutos nacionais de saúde (NLM, NIA), Instituto de pesquisa de resultados centrados no paciente, da Blue Cross Blue Shield Michigan, da Edwards Lifesciences, e da Apple, Inc., não relacionado a este trabalho atual. Nenhum outro relacionamento ou atividade que poderia parecer ter influenciado o trabalho enviado.

Todo o trabalho e o financiamento parcial é atribuído ao Departamento de anestesiologia, Michigan Medicine, Universidade de Michigan (Ann Arbor, Michigan, EUA). O projeto descrito foi apoiado, em parte, pelos institutos nacionais de saúde dos EUA (NIDDK R01DK133226; NHLBI R01HL167790, NIA R01AG059607, NHLBI K08HL159327, NHLBI K23HL166685, Bethesda, MD). Além disso, o financiamento parcial para apoiar a coleta de dados de registros de saúde eletrônicos subjacentes para o registro do Multicenter Perioperative Outcome Group foi fornecido pela Blue Cross Blue Shield of Michigan/Blue Care Network como parte do programa da Blue Cross Blue Shield of Michigan/Blue Care Network Value Partnerships. Embora a Blue Cross Blue Shield of Michigan/Blue Care Network e o Multicenter Perioperative Outcomes Group trabalhem de maneira colaborativa, as opiniões, crenças e pontos de vista expressos pelos autores não necessariamente refletem opiniões, crenças e pontos de vista da Blue Cross Blue Shield of Michigan/Blue Care Network nem de nenhum de seus funcionários. Além disso, as opiniões, as crenças e os pontos de vista expressos pelos autores não refletem, necessariamente, as opiniões, as crenças e os pontos de vista dos institutos nacionais de saúde nem de nenhum de seus funcionários. Os colaboradores da indústria não tem nenhuma função no estudo.


REFERÊNCIAS

  1. Roberts DJ, Mor R, Rosen MN, et al. Hospital-, anesthesiologist-, surgeon-, and patient-level variations in neuraxial anesthesia use for lower limb revascularization surgery: a population-based cross-sectional study. Anesth Analg. 2022;135:1282–1292. PMID: 36219577.
  2. Janda AM, Spence J, Dubovoy T, et al. Multicentre analysis of practice patterns regarding benzodiazepine use in cardiac surgery. Br J Anaesth. 2022;128:772–784. PMID: 35101244.
  3. Mathis MR, Janda AM, Kheterpal S, et al. Patient-, clinician-, and institution-level variation in inotrope use for cardiac surgery: a multicenter observational analysis. Anesthesiology. 2023;139:122–141. PMID: 37094103.
  4. Burns ML, Saager L, Cassidy RB, et al. Association of anesthesiologist staffing ratio with surgical patient morbidity and mortality. JAMA Surg. 2022;157:807–815. PMID: 35857304.
  5. Sutherland K, Levesque JF. Unwarranted clinical variation in health care: definitions and proposal of an analytic framework. J Eval Clin Pract. 2020;26:687–696. PMID: 31136047.
  6. Sessler DI. Implications of practice variability. Anesthesiology. 2020;132:606–608. PMID: 32053562.
  7. Brooke BS, Dominici F, Pronovost PJ, et al. Variations in surgical outcomes associated with hospital compliance with safety practices. Surgery. 2012;151:651–659. PMID: 22261296.
  8. Portuondo JI, Farjah F, Massarweh NN. Association between hospital perioperative quality and long-term survival after noncardiac surgery. JAMA Surg. 2022;157:258–268. PMID: 35044437.
  9. Casey JD, Courtright KR, Rice TW, Semler MW. What can a learning healthcare system teach us about improving outcomes? Curr Opin Crit Care. 2021;27:527–536. PMID: 34232148.
  10. Foley T, Vale L. A framework for understanding, designing, developing and evaluating learning health systems. Learn Health Syst. 2023;7:e10315. PMID: 36654802.
  11. Sheetz KH, Englesbe MJ. Expanding the quality collaborative model as a blueprint for higher-value care. JAMA Health Forum. 2020;1:e200413-e200413. PMID: 36218502.
  12. Smith M, Saunders R, Stuckhardt L, McGinnis JM. Committee on the Learning Health Care System in America; Institute of Medicine. Best care at lower cost: the path to continuously learning health care in America. National Academies Press (US); 2013 May 10. PMID: 24901184.
  13. Olsen L, Aisner D, Mcginnis JM, eds. The Learning Healthcare System: Workshop Summary. National Academies Press; 2007. PMID: 21452449.
  14. Colquhoun DA, Shanks AM, Kapeles SR, et al. Considerations for integration of perioperative electronic health records across institutions for research and quality improvement: the approach taken by the Multicenter Perioperative Outcomes Group. Anesth Analg. 2020;130:1133–1146. PMID: 32287121.
  15. MPOG Measure Specs—Measure List. https://spec.mpog.org/Measures/Public. Accessed February 16, 2024.
  16. Toolkits. MPOG. Published July 24, 2019. https://mpog.org/toolkits/. Accessed February 16, 2024.
  17. Howard R, Grant J, Leyden T, Englesbe M. Improving the quality of health care through 25 years of statewide collaboration in Michigan. NEJM Catalyst. 3:CAT.22.0153. doi: 10.1056/CAT.22.0153.
  18. Collaborative quality initiatives—value partnerships.com — blue cross blue shield of Michigan. https://www.valuepartnerships.com/programs/collaborative-quality-initiatives/. Accessed February 16, 2024.
  19. Janda AM, Vaughn MT, Colquhoun DA, et al. Does anesthesia quality improvement participation lead to incremental savings in a surgical quality collaborative population? A retrospective observational study. Anesth Analg. 2023;137:1093–1103. PMID: 37678254.
  20. Sun E, Mello MM, Rishel CA, et al. Association of overlapping surgery with perioperative outcomes. JAMA. 2019;321:762–772. PMID: 30806696.
  21. Sun EC, Mello MM, Vaughn MT, et al. Assessment of perioperative outcomes among surgeons who operated the night before. JAMA Intern Med. 2022;182:720–728. PMID: 35604661.
  22. Howell MD, Corrado GS, DeSalvo KB. Three epochs of artificial intelligence in health care. JAMA. 2024;331:242–244. PMID: 38227029.
  23. Reddy S, Allan S, Coghlan S, Cooper P. A governance model for the application of AI in health care. J Am Med Inform Assoc. 2020;27:491–497. PMID: 31682262.
  24. Finlayson SG, Subbaswamy A, Singh K, et al. The clinician and dataset shift in artificial intelligence. N Engl J Med. 2021;385:283–286. PMID: 34260843.
  25. Chin MH, Afsar-Manesh N, Bierman AS, et al. Guiding principles to address the impact of algorithm bias on racial and ethnic disparities in health and health care. JAMA Netw Open. 2023;6:e2345050. PMID: 38100101.