Modelo de Inteligência Artificial identificou corretamente mais casos de AVC e apresentou valor preditivo positivo mais alto que atendentes humanos
Nova pesquisa revela que inteligência artificial supera atendentes humanos na detecção de casos de acidente vascular cerebral (AVC) durante chamadas para serviços de emergência.
De acordo com o estudo, o modelo de IA identificou corretamente um maior número de pacientes com AVC em comparação com os atendentes humanos, apresentando um valor preditivo positivo mais alto.
"O modelo se mostrou superior em ambos os parâmetros: identificou menos pacientes com suspeita de AVC, mas acertou mais casos de pacientes que realmente estavam tendo um AVC, em comparação com os atendentes humanos", afirmou o coautor do estudo, Dr. Jonathan Wenstrup, médico do Copenhagen University Hospital–Herlev e Gentofte & Copenhagen Emergency Medical Services, na Dinamarca, em entrevista ao Medscape.
O estudo foi apresentado por Dr. Jonathan durante a European Stroke Organisation Conference (ESOC) 2023, na Alemanha, em 24 de maio.
Para a pesquisa, os cientistas cruzaram o registro dinamarquês de AVC, que contém informações sobre todos os pacientes que receberam atendimento hospitalar devido ao AVC, incluindo o horário de início dos sintomas, com o registro de chamadas de emergência que contém gravações de todas as chamadas para a linha de atendimento médico nos serviços de emergência de Copenhague. As chamadas foram categorizadas entre aquelas feitas por pacientes que posteriormente tiveram um AVC e aquelas feitas por pacientes que não tiveram um AVC.
O modelo de IA foi treinado para transcrever as gravações de áudio das chamadas de emergência e identificar diferenças entre as chamadas de pacientes com AVC e sem AVC. O treinamento utilizou dados de 1,5 milhão de chamadas para serviços de emergência entre 2015 e 2020, das quais 7.370 eram casos reais de AVC. Em seguida, o modelo foi testado com dados de 344.000 chamadas recebidas em 2021, incluindo 750 casos de AVC.
Resultados promissores e potencial transformador
Os resultados mostraram que o modelo de IA identificou corretamente 63% dos casos de AVC, um desempenho superior ao dos atendentes humanos de chamadas de emergência, que reconheceram apenas 52,7% dos casos.
Além disso, o valor preditivo do modelo de IA também foi melhor do que o dos atendentes humanos (24,9% versus 17,1%).
A combinação dessas duas medidas resultou em uma pontuação F1 global (uma medida geral de precisão de um teste) de 35,7 para o modelo de IA, em comparação com 25,8 para os atendentes humanos.
"O modelo de IA identificou o AVC de forma mais eficiente e teve menos casos falsos positivos do que os atendentes humanos dos serviços de emergência", comentou o Dr. Jonathan.
Ele explicou que o AVC é um quadro difícil de identificar durante as chamadas para serviços de emergência. "Muitos casos não são detectados nessa fase, o que resulta em atrasos no tratamento e pode ter consequências potencialmente fatais para os pacientes."
No entanto, o estudo tem uma limitação, pois foi conduzido retrospectivamente. O modelo ainda não foi avaliado em um contexto real. "
Precisamos realizar um estudo para avaliar seu desempenho quando implementado na prática", acrescentou o Dr. Jonathan.
O pesquisador acredita que a ferramenta de inteligência artificial pode se tornar um recurso auxiliar para os atendentes de serviços de emergência na identificação de pacientes com AVC.
"Enquanto os atendentes estiverem em conversa com os diversos tipos de pessoas que ligam, o modelo de IA pode funcionar em segundo plano e emitir um alerta quando um determinado paciente tiver uma alta probabilidade de estar tendo um AVC, permitindo priorizá-lo para atendimento de urgência."
Ele destacou: "Se o modelo apresentar um desempenho semelhante na prática, pode melhorar o reconhecimento do AVC pelos atendentes de chamadas de emergência, possibilitando que mais pacientes com AVC recebam um tratamento rápido e avançado que melhore os resultados."
O Dr. Jonathan observou que futuras melhorias no modelo poderão ampliar suas capacidades.
"No futuro, pode ser possível treinar a estrutura utilizando diretamente o áudio das chamadas, eliminando a etapa de transcrição, além de incorporar áudios sem palavras, como uma voz arrastada, nos dados de treinamento. No entanto, com os resultados promissores desse estudo, já está claro que tecnologias como essa têm o potencial de transformar completamente o diagnóstico e o tratamento do AVC", afirmou.
O estudo foi financiado pela Trygfonden, uma fundação sem fins lucrativos da Dinamarca, pela University of Copenhagen, pelo Copenhagen University Hospital–Herlev e pelo Gentofte and Innovation Fund Denmark. O Dr. Jonathan Wenstrup informou não ter conflitos de interesse. Outros coautores do estudo são pesquisadores da Corti, uma empresa privada que desenvolveu o Machine Learning Framework.
European Stroke Organisation Conference (ESOC) 2023. Apresentado em 24 de maio de 2023.
