Sangramentos induzidos por medicamentos em pacientes hospitalizados : detecção, preditores e avaliação da causalidade

• Ano de defesa: 2024
• Autor(a) principal: Rocha, Mariana Balhego
• Orientador(a): Pilger, Diogo
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Hemorragia; Efeitos colaterais e reações adversas relacionados a medicamentos; Inteligência artificial; Aprendizado de máquina; Registros eletrônicos de saúde
• Palavras-chave em Inglês: Hemorrhage; Drug-related side effects and adverse reaction; Artificial intelligence; Machine learning; Electronic health records; Adverse drug reactions
• Link de acesso: http://hdl.handle.net/10183/285457

Os medicamentos, embora tragam benefícios, podem ocasionar eventos adversos (EAM) que levam a enfermidades, incapacidades ou óbito. Alguns eventos como os Sangramento Induzidos por Medicamento (SIM), são graves e de difícil determinação causal. Identificar esses eventos por meio de informações contidas no Prontuário Eletrônico do Paciente (PEP) pode aumentar a segurança. Além disso, o uso de abordagens inovadoras, como modelos de aprendizado de máquina (Machine Learning – ML), oferece vantagens significativas à prática clínica, reduzindo o tempo gasto por profissionais de saúde na revisão manual de PEP. Objetivo: fornecer subsídios para o desenvolvimento futuro de técnicas de ML na detecção de SIM em pacientes hospitalizados. Métodos: o estudo foi conduzido em três etapas principais. Primeiramente, foi realizada uma revisão integrativa da literatura para identificar pesquisas que aplicaram ML nas atividades de farmacêuticos clínicos. Em seguida, uma revisão sistemática foi conduzida para identificar gatilhos laboratoriais eficazes na detecção de SIM. Por fim, foi realizado um estudo transversal de busca ativa de SIM em pacientes hospitalizados com base em gatilhos laboratoriais (Razão Normalizada Internacional – RNI > 4,0 e Tempo de Tromboplastina Parcial Ativada – TTPA > 100 segundos). Os casos identificados foram analisados quanto à causalidade pelo Algoritmo de Naranjo e os preditores clínicos associados ao SIM foram avaliados. Além disso, foi realizada uma análise qualitativa dos PEP para identificar termos e expressões que possam servir como indicadores ou exclusores de SIM em modelos de Processamento de Linguagem Natural (PLN). Resultados: a revisão integrativa incluiu cinco estudos, sendo apenas um brasileiro, o que levou à colaboração com a startup NoHarm.ai. A revisão sistemática destacou os gatilhos laboratoriais RNI > 4,0 e TTPA > 100 segundos como ferramentas sensíveis para a detecção de SIM, além de identificar termos específicos nos PEP utilizados como gatilhos semânticos. No estudo transversal, foram analisados 159 pacientes hospitalizados em uma rede de hospitais de Porto Alegre em 2023, dos quais 98 apresentaram SIM. Os gatilhos laboratoriais demonstraram valores preditivos positivos de 64,1% (RNI > 4,0) e 60,8% (TTPA > 100 segundos). Além disso, fatores como idade avançada, tabagismo, administração de vitamina K e a presença de doenças cardiovasculares e hipertensivas foram associados ao SIM. A análise qualitativa dos PEP permitiu a identificação de termos que podem servir como indicadores (ex.: “intoxicação cumarínica”) e exclusores (ex.: “politrauma”) para a aplicação em modelos de PLN. Conclusão: os gatilhos laboratoriais, preditores clínicos e termos específicos identificados nos PEP podem subsidiar o desenvolvimento futuro de técnicas de IA na detecção de SIM, contribuindo para a otimização da farmacovigilância e para o aprimoramento da qualidade da assistência farmacêutica. Este estudo estabelece uma base importante para o uso de IA na detecção de SIM.