Sistema de apoio à decisão clínica para manejo e encaminhamento de nódulos tireoidianos
##plugins.themes.bootstrap3.article.sidebar##
Publicado
May 11, 2023
##plugins.themes.bootstrap3.article.main##
Resumo
Objetivo: Apresentar o processo de criação e a validação preliminar de um sistema de apoio à decisão clínica (SADC) para manejo e encaminhamento de pacientes com nódulos de tireoide a ser utilizado na atenção primária. Métodos: O SADC, do tipo baseado-em-conhecimento, foi criado a partir de regras oriundas de diretrizes técnicas especializadas brasileiras e internacionais, utilizando a técnica de árvore de decisão. A validação preliminar ocorreu através de uma amostra piloto de 31 pacientes com nódulos tireoidianos atendidos num ambulatório de endocrinologia, com seus dados inseridos no SADC e posterior comparação entre a decisão sugerida pelo sistema e uma decisão de referência proposta por médicos especialistas. Foram calculadas três métricas de desempenho (acurácia geral, sensibilidade e especificidade) e ainda o coeficiente Kappa de concordância entre as decisões. Resultados: A acurácia geral do SADC foi de 90,3%, com sensibilidade de 90% e especificidade de 90,5%. O coeficiente Kappa de concordância foi de 0,78 com IC 95% (0,5 - 1,01). Conclusão: O SADC proposto apresentou bom resultado nas métricas de desempenho e uma concordância interpretada como forte de acordo com o coeficiente Kappa.
##plugins.themes.bootstrap3.article.details##
Como Citar
FariasF. L. de V., RibeiroK. S. Q. S., LeiteJ. C. de L., Sousa FilhoG. F. de, & GurjãoA. L. B. (2023). Sistema de apoio à decisão clínica para manejo e encaminhamento de nódulos tireoidianos. Revista Eletrônica Acervo Saúde, 23(5), e12027. https://doi.org/10.25248/reas.e12027.2023
Seção
Artigos Originais
Copyright © | Todos os direitos reservados.
A revista detém os direitos autorais exclusivos de publicação deste artigo nos termos da lei 9610/98.
Reprodução parcial
É livre o uso de partes do texto, figuras e questionário do artigo, sendo obrigatória a citação dos autores e revista.
Reprodução total
É expressamente proibida, devendo ser autorizada pela revista.
Referências
1. ANCHALA R, et al. Development and validation of a clinical and computerised decision support system for management of hypertension (DSS-HTN) at a primary health care (PHC) setting. PLoS One, 2013; 8(11).
2. ATTIA ZI, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med., 2019; 25(1): 70-74.
3. BATISTA AFM e CHIAVEGATTO FILHO ADP. Machine Learning aplicado à Saúde. In: ZIVIANI A, et al. Livro de minicursos do 19o Simpósio Brasileiro de Computação Aplicada à Saúde 2019. Niterói: Sociedade Brasileira de Computação, 2019; 1-42.
4. BERNARDINO JUNIOR SV, et al. Processos de encaminhamento a serviços especializados em cardiologia e endocrinologia pela Atenção Primária à Saúde. Saúde em Debate, 2020; 44(126): 694-707.
5. BERNER ES e LA LANDE TJ. Overview of Clinical Decision Support Systems. In: BERNER, ES. Clinical Decision Support Systems: Theory and Practice. 3 ed. New York: Springer, 2016; 3-22.
6. BRASIL. Ministério da Saúde. Universidade Federal do Rio Grande do Sul. Protocolos de encaminhamento da atenção básica para a atenção especializada - Endocrinologia e nefrologia. 2015. Disponível em: https://bvsms.saude.gov.br/bvs/publicacoes/protocolos_atencao_basica_atencao_especializada_endocrinologia.pdf. Acessado em: 3 de janeiro de 2023.
7. BRASIL. MINISTÉRIO DA SAÚDE. Portaria nº 2436, de 21 de setembro de 2017. Disponível em: https://bvsms.saude.gov.br/bvs/saudelegis/gm/2017/prt2436_22_09_2017.html. Acessado em: 3 de janeiro de 2023.
8. BRASIL. Vigitel Brasil 2019: vigilância de fatores de risco e proteção para doenças crônicas por inquérito telefônico: estimativas sobre frequência e distribuição sociodemográfica de fatores de risco e proteção para doenças crônicas nas capitais dos 26 estados brasileiros e no Distrito Federal em 2019. 2020. Disponível em: https://bvsms.saude.gov.br/bvs/publicacoes/vigitel_brasil_2019_vigilancia_fatores_risco.pdf. Acessado em: 3 de janeiro de 2023.
9. GARDNER DG e SHOBACK D. Greenspan’s Basic & Clinical Endocrinology. 10 ed. New York: McGraw-Hill Medical, 2018; 171-231.
10. DEAN DS e GHARIB H. Epidemiology of thyroid nodules. Best Pract Res Clin Endocrinol Metab., 2008; 22(6): 901-11.
11. FLEISS JL, et al. Large sample standard errors of kappa and weighted kappa. Psychological Bulletin, 1969; 75(5): 323-27.
12. FLEISS JL, et al. The Measure of Interrater Agreement. In: FLEISS JL, et al. Statistical Methods for Rates and Proportions. New Jersey: Wiley, 2003; 598-626.
13. GRAHAM TAD, et al. How Usability of a Web-Based Clinical Decision Support System Has the Potential to Contribute to Adverse Medical Events. AMIA Annu Symp Proc, 2008; 257-261.
14. GUTH S, et al. Very high prevalence of thyroid nodules detected by high frequency (13 MHz) ultrasound examination. Eur J Clin Invest., 2009; 39(8): 699-706.
15. HAUGEN BR, et al. 2015 American Thyroid Association Management Guidelines for Adult Patients with Thyroid Nodules and Differentiated Thyroid Cancer. Thyroid. 2016; 26(1): 1-133.
16. HARZHEIM E, et al. Telemedicina como motor da coordenação assistencial: muito além da tecnologia. In: Barbosa AF (editor). Pesquisa sobre o uso das Tecnologias de Informação e Comunicação nos estabelecimentos de saúde brasileiros: TIC Saúde 2015. São Paulo: Comitê Gestor da Internet no Brasil, 2016; 93-102.
17. LANDIS JR e KOCH GG. The measurement of observer agreement for categorical data. Biometrics, 1977; 33(1): 159-74.
18. MCHUGH ML. Interrater realiability: the kappa statistic. Biochem Med., 2012; 22(3): 276-82.
19. ÖCAL M, et al. The Malignancy Risk Assessment of Cytologically Indeterminate Thyroid Nodules Improves Markedly/ by Using a Predictive Model. Eur Thyroid J., 2019; 8(2): 83-89.
20. REINERS C, et al. Prevalence of Thyroid Disorders in the Working Population of Germany: Ultrasonography Screening in 96278 Unselected Employees. Thyroid, 2004; 14(11): 962-32.
21. ROSARIO PW, et al. Nódulo tireoidiano e câncer diferenciado de tireoide: atualização do consenso brasileiro. Arq Bras Endocrinol Metab., 2017; 57(4): 240-64.
22. SALEM HA, et al. A multicentre integration of a computer-led follow-up of prostate cancer is valid and safe. BJU Int., 2018; 122(3): 418-426.
23. SIM I, et al. Clinical Decision Support Sysrems for the Practice of Evidence-based Medicin. J Am Med Inform Assoc., 2001; 8(6): 527-34.
24. SIM J e WRIGHT CC. The Kappa Statistic in Reliability Studies: Use, Interpretation, and Sample Size Requirements. Phys Ther., 2005; 85(3): 257-68.
25. SCHEFFER M. Demografia Médica no Brasil 2020. São Paulo: FMUSP, CFM, 2020; 1-312.
26. SHAHMORADI L, et al. Designing and evaluating a decision support system on childhood leukemia to improve medication management. Applied Health Information Technology, 2020; 1(1): 1-10.
27. SUTTON RT, et al. An overview of clinical decision support systems: benefits, risks, and strategies for success. NPJ Dig Med., 2020; 3(17): 1-10.
28. TAO L, et al. Accuracy and effects of clinical decision support systems integrated with BMJ best practice-aided diagnosis: interrupted time series study. JMIR Med Informatics, 2020; 8(1).
29. TESSLER FN, et al. ACR Thyroid Imaging, Reporting and Data System (TI-RADS): white paper of the ACR TI-RADS Committee. J Am Col Radiol., 2017; 14(5): 587-95.
30. VIEIRA EWR, et al. Tempo de espera por consulta médica especializada em um município de pequeno porte de Minas Gerais, Brasil. Rev Min Enferm., 2015; 19(1): 65-71.
31. WULFF A, et al. Clinical evaluation of an interoperable clinical decision-support system for the detection of system inflammatory response syndrome in critically ill children. BMC Med Inform Decis Mak, 2021; 21(1).
32. ZHU VJ, et al. Evaluation of a clinical decision support algorithm for patient-specific childhood immunization. Artif Intell Med., 2012; 56(1): 51-7.
2. ATTIA ZI, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med., 2019; 25(1): 70-74.
3. BATISTA AFM e CHIAVEGATTO FILHO ADP. Machine Learning aplicado à Saúde. In: ZIVIANI A, et al. Livro de minicursos do 19o Simpósio Brasileiro de Computação Aplicada à Saúde 2019. Niterói: Sociedade Brasileira de Computação, 2019; 1-42.
4. BERNARDINO JUNIOR SV, et al. Processos de encaminhamento a serviços especializados em cardiologia e endocrinologia pela Atenção Primária à Saúde. Saúde em Debate, 2020; 44(126): 694-707.
5. BERNER ES e LA LANDE TJ. Overview of Clinical Decision Support Systems. In: BERNER, ES. Clinical Decision Support Systems: Theory and Practice. 3 ed. New York: Springer, 2016; 3-22.
6. BRASIL. Ministério da Saúde. Universidade Federal do Rio Grande do Sul. Protocolos de encaminhamento da atenção básica para a atenção especializada - Endocrinologia e nefrologia. 2015. Disponível em: https://bvsms.saude.gov.br/bvs/publicacoes/protocolos_atencao_basica_atencao_especializada_endocrinologia.pdf. Acessado em: 3 de janeiro de 2023.
7. BRASIL. MINISTÉRIO DA SAÚDE. Portaria nº 2436, de 21 de setembro de 2017. Disponível em: https://bvsms.saude.gov.br/bvs/saudelegis/gm/2017/prt2436_22_09_2017.html. Acessado em: 3 de janeiro de 2023.
8. BRASIL. Vigitel Brasil 2019: vigilância de fatores de risco e proteção para doenças crônicas por inquérito telefônico: estimativas sobre frequência e distribuição sociodemográfica de fatores de risco e proteção para doenças crônicas nas capitais dos 26 estados brasileiros e no Distrito Federal em 2019. 2020. Disponível em: https://bvsms.saude.gov.br/bvs/publicacoes/vigitel_brasil_2019_vigilancia_fatores_risco.pdf. Acessado em: 3 de janeiro de 2023.
9. GARDNER DG e SHOBACK D. Greenspan’s Basic & Clinical Endocrinology. 10 ed. New York: McGraw-Hill Medical, 2018; 171-231.
10. DEAN DS e GHARIB H. Epidemiology of thyroid nodules. Best Pract Res Clin Endocrinol Metab., 2008; 22(6): 901-11.
11. FLEISS JL, et al. Large sample standard errors of kappa and weighted kappa. Psychological Bulletin, 1969; 75(5): 323-27.
12. FLEISS JL, et al. The Measure of Interrater Agreement. In: FLEISS JL, et al. Statistical Methods for Rates and Proportions. New Jersey: Wiley, 2003; 598-626.
13. GRAHAM TAD, et al. How Usability of a Web-Based Clinical Decision Support System Has the Potential to Contribute to Adverse Medical Events. AMIA Annu Symp Proc, 2008; 257-261.
14. GUTH S, et al. Very high prevalence of thyroid nodules detected by high frequency (13 MHz) ultrasound examination. Eur J Clin Invest., 2009; 39(8): 699-706.
15. HAUGEN BR, et al. 2015 American Thyroid Association Management Guidelines for Adult Patients with Thyroid Nodules and Differentiated Thyroid Cancer. Thyroid. 2016; 26(1): 1-133.
16. HARZHEIM E, et al. Telemedicina como motor da coordenação assistencial: muito além da tecnologia. In: Barbosa AF (editor). Pesquisa sobre o uso das Tecnologias de Informação e Comunicação nos estabelecimentos de saúde brasileiros: TIC Saúde 2015. São Paulo: Comitê Gestor da Internet no Brasil, 2016; 93-102.
17. LANDIS JR e KOCH GG. The measurement of observer agreement for categorical data. Biometrics, 1977; 33(1): 159-74.
18. MCHUGH ML. Interrater realiability: the kappa statistic. Biochem Med., 2012; 22(3): 276-82.
19. ÖCAL M, et al. The Malignancy Risk Assessment of Cytologically Indeterminate Thyroid Nodules Improves Markedly/ by Using a Predictive Model. Eur Thyroid J., 2019; 8(2): 83-89.
20. REINERS C, et al. Prevalence of Thyroid Disorders in the Working Population of Germany: Ultrasonography Screening in 96278 Unselected Employees. Thyroid, 2004; 14(11): 962-32.
21. ROSARIO PW, et al. Nódulo tireoidiano e câncer diferenciado de tireoide: atualização do consenso brasileiro. Arq Bras Endocrinol Metab., 2017; 57(4): 240-64.
22. SALEM HA, et al. A multicentre integration of a computer-led follow-up of prostate cancer is valid and safe. BJU Int., 2018; 122(3): 418-426.
23. SIM I, et al. Clinical Decision Support Sysrems for the Practice of Evidence-based Medicin. J Am Med Inform Assoc., 2001; 8(6): 527-34.
24. SIM J e WRIGHT CC. The Kappa Statistic in Reliability Studies: Use, Interpretation, and Sample Size Requirements. Phys Ther., 2005; 85(3): 257-68.
25. SCHEFFER M. Demografia Médica no Brasil 2020. São Paulo: FMUSP, CFM, 2020; 1-312.
26. SHAHMORADI L, et al. Designing and evaluating a decision support system on childhood leukemia to improve medication management. Applied Health Information Technology, 2020; 1(1): 1-10.
27. SUTTON RT, et al. An overview of clinical decision support systems: benefits, risks, and strategies for success. NPJ Dig Med., 2020; 3(17): 1-10.
28. TAO L, et al. Accuracy and effects of clinical decision support systems integrated with BMJ best practice-aided diagnosis: interrupted time series study. JMIR Med Informatics, 2020; 8(1).
29. TESSLER FN, et al. ACR Thyroid Imaging, Reporting and Data System (TI-RADS): white paper of the ACR TI-RADS Committee. J Am Col Radiol., 2017; 14(5): 587-95.
30. VIEIRA EWR, et al. Tempo de espera por consulta médica especializada em um município de pequeno porte de Minas Gerais, Brasil. Rev Min Enferm., 2015; 19(1): 65-71.
31. WULFF A, et al. Clinical evaluation of an interoperable clinical decision-support system for the detection of system inflammatory response syndrome in critically ill children. BMC Med Inform Decis Mak, 2021; 21(1).
32. ZHU VJ, et al. Evaluation of a clinical decision support algorithm for patient-specific childhood immunization. Artif Intell Med., 2012; 56(1): 51-7.