Sistemas de aprendizagem antimicrobiana

A evolução da resistência antimicrobiana (RAM) representa um desafio significativo e, ao mesmo tempo, abre portas para novas oportunidades de tratamento. O gerenciamento da RAM exige uma abordagem equilibrada entre a gerenciamento de antimicrobianos (GAM) e a implementação de medidas de prevenção e controle de infecção (PCI).

As intervenções da inteligência artificial (IA) direcionadas à RAM (RAM-IA) podem oferecer vantagens consideráveis para as equipes responsáveis pela AMS e PCI, devido à capacidade da IA de processar, interpretar e agir de forma rápida. No entanto, os sistemas de saúde frequentemente adotam abordagens convencionais ao avaliar e implementar intervenções, muitas vezes fixando-se em objetivos predefinidos. A eficácia na implementação de modelos de RAM-IA adaptáveis e de aprendizado requer uma abordagem personalizada.

Nesse contexto, Howard e colaboradores (2024) conduziram uma abordagem sistemática baseada em fluxo de trabalho para avaliar e implementar modelos de RAM-IA. Essa faz parte de entidades sociotécnicas denominadas sistemas de aprendizagem antimicrobiana (SAAM), com o objetivo de identificar oportunidades, superar barreiras e propor soluções específicas relacionadas à RAM, facilitando assim sua aplicação prática.

Tabela 1. Estrutura baseada em fluxo de trabalho para planejar modelos RAM-IA. Tabela adaptada de Howard et al. (2024)

Os fluxos de cuidados de saúde frequentemente enfrentam desafios relacionados à incerteza, o que pode resultar na prescrição inadequada de antimicrobianos, contribuindo para RAM e perdendo oportunidades de prevenir a transmissão de microrganismos resistentes. Modelos de Inteligência Artificial para Resistência Antimicrobiana têm o potencial de reduzir essa incerteza, antecipando e orientando a abordagem da RAM de forma mais rápida do que os métodos laboratoriais tradicionais baseados em cultura. Essas previsões podem ser valiosas para direcionar adequadamente a terapia antimicrobiana e implementar medidas de isolamento protetor, visando evitar infecções descontroladas, minimizar a pressão de seleção indevida e prevenir a subsequente transmissão.

Para desempenhar essas funções, os modelos de RAM-IA podem explorar redes de dados que abrangem fronteiras geográficas e diferentes instâncias de cuidados de saúde. Estas incluem informações como histórico de tratamento antimicrobiano, histórico de viagens e admissões hospitalares ou em lares de idosos, incorporando fatores intuitivos não causais. Navegar por essas redes pode proporcionar uma compreensão mais aprofundada do impacto da prescrição de antimicrobianos, identificando a geração de RAM, a subsequente transmissão e os desfechos associados.

Os modelos de RAM-IA baseados em bioinformática podem integrar dados clínicos, farmacodinâmicos, genômicos e epidemiológicos para desenvolver diagnósticos mais precisos e oportunos, além de estabelecer pontos de corte clínicos in vitro mais refinados. Seu sucesso clínico depende da identificação estratégica de áreas nos cuidados de saúde onde previsões melhoradas podem significativamente reduzir a incidência de RAM, prevenir as suas mortes associadas e aprimorar a eficácia global no combate à resistência antimicrobiana.

Ao avaliar o impacto de um sistema de apoio à decisão baseado em Inteligência Artificial para RAM-IA, é crucial considerar as implicações completas da intervenção, desde a entrada de dados até os efeitos da decisão clínica. Isso inclui prever as respostas dos profissionais da saúde aos resultados e à apresentação das informações, como por exemplo, através de uma interface gráfica que compare a probabilidade de cura com amoxicilina em comparação com a probabilidade de suscetibilidade do organismo à mesma.

Os modelos RAM-IA destinados a fornecer orientações específicas sobre o uso de antimicrobianos ou práticas de controle de infecções podem enfrentar obstáculos regulatórios mais significativos quando comparados aos que simplesmente oferecem probabilidades de eventos ou aprimoram a eficiência do sistema. A conformidade legal varia internacionalmente, exigindo uma expertise jurídica especializada em proteção de dados.

Os modelos podem impactar certas populações de maneira desproporcional, como comunidades desfavorecidas ou marginalizadas, potencialmente resultando em distorções algorítmicas prejudiciais que violem normas de direitos humanos.

Os líderes encarregados da implementação de modelos de RAM com foco em IA na área de saúde devem envolver especialistas em infecções, tecnologia, ética, legislação, política e regulamentação para esclarecer a interação entre as tecnologias com os quadros jurídicos e regulatórios. Essa colaboração é essencial para garantir uma abordagem ética e legalmente robusta na implementação dessas tecnologias.

A implementação da RAM-IA requer uma série de recursos tanto em nível regional quanto pessoal no sistema de saúde. Esta abordagem está no topo da lista de prioridades de organizações internacionais, que representam potenciais parceiros para colaboração e financiamento. Por exemplo, as iniciativas da Organização Mundial da Saúde (OMS) têm impulsionado programas multinacionais de gestão da RAM que se fundamentam na ciência de dados.

Os modelos de RAM-IA são suscetíveis a influências culturais, comportamentais e psicológicas, semelhantes a outras intervenções relacionadas à resistência a antibióticos. Por esse motivo, a gestão desses fatores depende de conhecimentos e experiências locais, bem como da aplicação de técnicas personalizadas para a coleta de dados etnográficos e qualitativos.

A complexidade das interações entre pacientes, doenças, organismos e medicamentos gera conjuntos de dados de RAM de curto prazo, em constante evolução na atenção secundária. No entanto, a falta de informações imparciais e quantificáveis em longo prazo na comunidade representa um desafio, uma vez que nem todos os pacientes são monitorados para RAM, as infecções muitas vezes carecem de confirmação microbiológica e as informações antimicrobianas podem não ser eletronicamente registradas, como nos prontuários de prescrição em papel.

Os modelos de RAM-IA, portanto, enfrentam a necessidade de minimizar dados ausentes, empregando técnicas como reconhecimento eletrônico de caligrafia para gráficos de prescrição em papel e automatizando a população de dados específicos de resistência antimicrobiana inerente a cada espécie de organismo. A integração de informações entre sistemas de informação de gerenciamento de laboratório de microbiologia, prescrições eletrônicas e outros sistemas é crucial.

Os dados de diagnóstico de RAM apresentam desafios únicos, uma vez que algumas suscetibilidades antimicrobianas são intencionalmente ocultadas dos médicos para fins de resistência antimicrobiana. Além disso, os dados brutos são frequentemente analisados em sequências de texto para interfaces clínicas. Portanto, a extração direta desses é essencial para garantir a sua integridade.

O desempenho preditivo necessário para os modelos RAM-IA é altamente específico, dependendo da combinação antimicrobiano-organismo-paciente-sistema, e está intrinsecamente ligado tanto às implicações das previsões incorretas quanto à sua precisão. As funções de utilidade que quantificam essas implicações precisam ser cuidadosamente ponderadas para evitar viés excessivo em direção aos efeitos improváveis, mas facilmente identificáveis, da subprescrição de antimicrobianos, como, por exemplo, morte por sepse. A atribuição de credibilidade e a apresentação de intervalos de previsão são cruciais para comunicar a confiança nas previsões de RAM às equipes de implementação e usuários finais.

Os modelos RAM-IA devem passar por reajustes periódicos, alinhados com as atualizações dos dados, geralmente em intervalos mensais. Este processo, incluindo a quantidade de dados necessários, deve ser flexível e adaptável às nuances específicas do problema de resistência antimicrobiana, como a previsão em áreas de baixa prevalência, que pode exigir mais dados em comparação com áreas de alta prevalência. Além disso, a adaptação deve ser sensível a mudanças nos procedimentos operacionais padrão de cuidados de saúde, como alterações nas recomendações de formulários antimicrobianos, modificações em definições-chave de organismos, como mudanças nas definições de pontos de interrupção clínicos, e flutuações nas taxas de resistência antimicrobiana.

Os ensaios clínicos randomizados devem ter como objetivo avaliar a eficácia, segurança e fidelidade da RAM-IA, medindo até que ponto o uso da inteligência artificial está alinhado com as intenções pretendidas.

Os modelos de RAM-IA são mais suscetíveis às mudanças do que outros modelos de IA, pois precisam lidar com a variabilidade do organismo, do paciente, do medicamento e do sistema. A manutenção contínua da eficácia clínica desses requer adaptação constante para garantir sua adequação ao propósito da intervenção em ambientes dinâmicos de cuidados de saúde.

Com o tempo, os processos de manutenção devem ser automatizados sempre que possível, especialmente para aplicações de rotina, como a triagem laboratorial de amostras não estéreis.