Utilização dos modelos de inteligência artificial para auxiliar na predição de doenças, condições e mortalidade neonatal: Uma Revisão Sistemática da Literatura
##plugins.themes.bootstrap3.article.main##
Resumo
Introdução: O período neonatal é a fase inicial da vida pós-natal, compreendendo os primeiros 28 dias após o nascimento. Esse período pode ser marcado por complicações de saúde como prematuridade, baixo peso ao nascer, doenças congênitas, sepse, displasia broncopulmonar entre outras situações adversas (CAVALLIN et al., 2018). Segundo o Fundo das Nações Unidas para a Infância (UNICEF), em 2022, ocorreram aproximadamente 2,3 milhões de óbitos no período neonatal no mundo, com 75% dessas mortes na primeira semana (óbito precoce) e os 25% restantes entre 7 e 28 dias de vida (óbito tardio) (UNICEF, 2024). No Brasil, foram registrados 32.257 óbitos neonatais em 2022, resultando em uma taxa de 8,47 mortes por 1.000 nascidos vivos. Em Pernambuco, a taxa de mortalidade neonatal superou a média nacional, com 9,59 óbitos por 1.000 nascidos vivos (SINASC, 2022) e (SIM, 2022). Intervenções preventivas podem melhorar os desfechos neonatais, sendo a inteligência artificial (IA) uma ferramenta promissora para a predição de complicações nesse período (ADEGBORO et al., 2022). Objetivo: O presente estudo propõe realizar uma Revisão Sistemática da Literatura (RSL) com o objetivo de identificar e avaliar trabalhos do estado da arte que utilizam IA para a predição de doenças, condições e mortalidade neonatal. Metodologia: A metodologia adotada para guiar esta RSL é baseada na declaração PRISMA, para identificar estudos que exploraram o uso de IA no contexto da predição de doenças, condições e mortalidade neonatal dos últimos 10 anos. Protocolo: A fase inicial da RSL envolve o desenvolvimento do protocolo responsável pelas etapas de planejamento que envolveu inicialmente a formulação das seguintes Perguntas de Pesquisa: (1) Quais os tipos de doenças, condições e mortalidade neonatal que estão sendo objeto de estudo em pesquisas que empregam IA? (2) Quais são os principais modelos de IA utilizados na predição de doenças, condições e mortalidade neonatal? (3) Como é avaliado o desempenho dos modelos de IA na predição de doenças, condições e mortalidade neonatal? (4) Quais são os principais atributos mais frequentemente utilizados pelos estudos que utilizam modelos de IA na predição de doenças, condições e mortalidade neonatal? (5) Quais são as características dos conjuntos de dados utilizados pelos estudos que empregam modelos de IA na predição de doenças, condições e mortalidade neonatal?. Em seguida foram definidas e conduzidas buscas automáticas em seis bases de dados: ACM Digital Library, IEEE, ISI Web of Science, PubMed, Science Direct e Scopus. Definiu-se a string de busca, baseada em palavras-chave sugeridas e validadas por especialistas e pesquisadores das áreas de IA e data science aplicadas à saúde; enfermeiros especialistas e pesquisadores em neonatologia, e atendimento em Unidade de Terapia Intensiva Neonatal (UTIN). Posteriormente, identificaram-se os sinônimos das palavras-chave que passaram por validação desses especialistas, sendo seguidamente realizado a combinação das palavras-chave e realizado o teste de sensibilidade com seus respectivos sinônimos. Por fim, coleta de estudos primários foi realizada por meio de buscas em quase todas as bases de dados, utilizando a seguinte de pesquisa: ("neonatal" OR "newborn" OR "preterm infants" OR "neonate" OR "perinatal") AND ("artificial intelligence" OR "machine learning" OR "deep learning") AND ("prediction" OR "prognosis" OR "anticipation" OR "classification" OR "monitoring"). Para Science Direct, a string foi ajustada devido a limitações específicas da própria base. Em particular, a plataforma permite o uso de no máximo oito conectores booleanos por campo de pesquisa. Essa limitação exigiu uma abordagem estratégica na construção das buscas, na qual foi ajustando os termos de pesquisa para:
("neonatal" OR "newborn" OR "neonate" OR "perinatal") AND ("artificial intelligence" OR "machine learning" OR "deep learning") AND ("prediction" OR "classification"). Foram definidos os críterios de seleção, sendo os critérios de exclusão definidos como: (1) Estudos não publicados em congressos ou revistas. (2) Formatos de livro, pôster, tutorial ou editorial. (3) Estudos duplicados. (4) Estudos secundários ou terciários. (5) Artigos não escritos em inglês. (6) Estudos fora do período de 2014 a 2024. Os critérios de inclusão foram: (1) Estudos publicados em congressos ou revistas científicas revisadas por pares. (2) Artigos completos. (3) Estudos originais e não duplicados. (4) Estudos que respondam às perguntas de pesquisa. (5) Estudos em inglês publicados entre 2014 e 2024. Execução: Sete pesquisadores foram responsáveis por identificar os trabalhos elegíveis de forma independente. Quando surgiram dúvidas sobre a aceitabilidade do estudo, ele era avaliado por todos os pesquisadores e logo seria aceito se obtivesse a maioria dos votos favoráveis. A coleta dos estudos considerou artigos completos publicados de janeiro de 2014 a fevereiro de 2024. Resultados: Os resultados da busca foram de 7.310 estudos inicialmente identificados, distribuídos da seguinte forma: 440 da ACM Digital Library, 386 do IEEE, 1.037 do ISI Web of Science, 998 do PubMed, 2.555 do Sciencedirect e 1.894 do Scopus. Foram identificados e excluídos 2.130 estudos duplicados, em seguida os pesquisadores analisaram títulos, palavras-chave e resumos dos estudos restantes. Durante esta análise preliminar, foram aplicados simultaneamente os critérios de exclusão e inclusão, resultando em 733 trabalhos selecionados para a leitura completa. Conclusão: A análise inicial da RSL destaca um grande quantidade de estudos relevante sobre a uso da IA na predição de complicações neonatais, como hipoglicemia neonatal, asfixia perinatal, doenças metabólicas, sepse, displasia broncopulmonar, enterocolite necrosante, infecções, retinopatia da prematuridade, entre outras condições patológicas, as quais podem resultar no óbito do neonato, permitindo intervenções proativas e personalizadas. Como próximos passos, busca-se realizar a leitura completa dos artigos, realizando simultaneamente a aplicabilidade dos critérios de qualidade, além disso, busca identificar, coleta e discutir informações relevantes, assim como os desafios enfrentados, como a necessidade de dados de alta qualidade e a interpretação clínica das saídas dos modelos de IA de cada estudo eleito, enfatizando a importância contínua do desenvolvimento e implementação dessas tecnologias inovadoras no auxílio do profissional da área da saúde voltada para a prática neonatal.
("neonatal" OR "newborn" OR "neonate" OR "perinatal") AND ("artificial intelligence" OR "machine learning" OR "deep learning") AND ("prediction" OR "classification"). Foram definidos os críterios de seleção, sendo os critérios de exclusão definidos como: (1) Estudos não publicados em congressos ou revistas. (2) Formatos de livro, pôster, tutorial ou editorial. (3) Estudos duplicados. (4) Estudos secundários ou terciários. (5) Artigos não escritos em inglês. (6) Estudos fora do período de 2014 a 2024. Os critérios de inclusão foram: (1) Estudos publicados em congressos ou revistas científicas revisadas por pares. (2) Artigos completos. (3) Estudos originais e não duplicados. (4) Estudos que respondam às perguntas de pesquisa. (5) Estudos em inglês publicados entre 2014 e 2024. Execução: Sete pesquisadores foram responsáveis por identificar os trabalhos elegíveis de forma independente. Quando surgiram dúvidas sobre a aceitabilidade do estudo, ele era avaliado por todos os pesquisadores e logo seria aceito se obtivesse a maioria dos votos favoráveis. A coleta dos estudos considerou artigos completos publicados de janeiro de 2014 a fevereiro de 2024. Resultados: Os resultados da busca foram de 7.310 estudos inicialmente identificados, distribuídos da seguinte forma: 440 da ACM Digital Library, 386 do IEEE, 1.037 do ISI Web of Science, 998 do PubMed, 2.555 do Sciencedirect e 1.894 do Scopus. Foram identificados e excluídos 2.130 estudos duplicados, em seguida os pesquisadores analisaram títulos, palavras-chave e resumos dos estudos restantes. Durante esta análise preliminar, foram aplicados simultaneamente os critérios de exclusão e inclusão, resultando em 733 trabalhos selecionados para a leitura completa. Conclusão: A análise inicial da RSL destaca um grande quantidade de estudos relevante sobre a uso da IA na predição de complicações neonatais, como hipoglicemia neonatal, asfixia perinatal, doenças metabólicas, sepse, displasia broncopulmonar, enterocolite necrosante, infecções, retinopatia da prematuridade, entre outras condições patológicas, as quais podem resultar no óbito do neonato, permitindo intervenções proativas e personalizadas. Como próximos passos, busca-se realizar a leitura completa dos artigos, realizando simultaneamente a aplicabilidade dos critérios de qualidade, além disso, busca identificar, coleta e discutir informações relevantes, assim como os desafios enfrentados, como a necessidade de dados de alta qualidade e a interpretação clínica das saídas dos modelos de IA de cada estudo eleito, enfatizando a importância contínua do desenvolvimento e implementação dessas tecnologias inovadoras no auxílio do profissional da área da saúde voltada para a prática neonatal.
Downloads
Não há dados estatísticos.
##plugins.themes.bootstrap3.article.details##
Seção
Engenharia da Computação e Sistemas