Abordagens e eficácia da Inteligência Artificial na predição de hemorragia pós-parto
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Resumo
Objetivo: Identificar abordagens e eficácia da Inteligência Artificial (IA) na predição de hemorragia pós-parto (HPP). Métodos: Trata-se de uma revisão integrativa, realizada nas bases de dados PubMed, Scopus, Web of Science e IEEE, por meio dos seguintes descritores: “postpartum hemorrhage”, “complications in pregnancy”, “artificial intelligence”, “machine learning” e “deep learning”. Foram incluídos estudos publicados entre 2018 a 2024 que incluíam a população geral com definição clara do diagnóstico de HPP. Resultados: A amostra final consistiu em 06 artigos, com uma concentração mais elevada de publicações em 2022. A maioria dos estudos foi conduzida no EUA, e os designs de pesquisa predominantes foram estudos de coorte. Verificou-se que que os modelos de IA mostraram alta precisão e sensibilidade, destacando-se na integração de múltiplos fatores preditivos para HPP, como peso materno pré-gestacional, a idade gestacional, hipertensão gestacional, características da contração uterina. Considerações finais: Esta revisão destaca a relevância dos modelos de IA na previsão de HPP, indicando seu potencial para implementação clínica. Embora promissores, estes modelos exigem estudos adicionais para aprimoramento e validação em diferentes contextos.
##plugins.themes.bootstrap3.article.details##
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
2. BERTINI A, et al. Using Machine Learning to Predict Complications in Pregnancy: A Systematic Review. Front. Bioeng. Biotechnol. 2022; 9: 780389.
3. BEYENE BN, et al. Factors associated with postpartum hemorrhage in selected Southern Oromia hospitals, Ethiopia, 2021: an unmatched case-control study. Front. Glob. Womens Health. 2024; 5.
4. BRASIL. MINISTÉRIO DA SAÚDE. Banco de Dados do Sistema Único de Saúde DATASUS. Informações de Saúde. Sistema de Informações sobre Mortalidade: óbito de mulheres em idade fértil. Brasília: Ministério da Saúde, 2022.
5. BRASIL. MINISTÉRIO DA SAÚDE. Lei no 9.610, de 19 de fevereiro de 1998, que altera, atualiza e consolida a legislação sobre direitos autorais e dá outras providências. Diário Oficial da União. Brasília: Ministério da Saúde, 1998.
6. CHANDRAHARAN E, et al. Diagnosis and management of postpartum hemorrhage. BMJ. 2017; 358: 3875.
7. FEDUNIW S, et al. Epidemiology, prevention and management of early postpartum hemorrhage: a systematic review. Ginekol Pol. 2020; 91(1): 38-44.
8. HAMM RF, et al. Implementation of quantification of blood loss does not improve the prediction of hemoglobin drop in deliveries with average blood loss. Am J Perinatol, 2018; 35(2): 134-139.
9. HOLCROFT S, et al. Predictive Modelling of Postpartum Haemorrhage Using Early Risk Factors: A Comparative Analysis of Statistical and Machine Learning Models. Int. J. Environ. Res. Public Health, 2024; 21(5): 600.
10. LIU J, et al. Machine learning-based prediction of postpartum hemorrhage after vaginal delivery: combining bleeding high risk factors and uterine contraction curve. Arch Gynecol Obstet, 2022; 306(4): 1015-1025.
11. MARTINS RIL, et al. Postpartum hemorrhage in electronic health records: risk factors at admission and in-hospital occurrence. Rev. bras. ginecol. obstet. 2024; 46.
12. MCHUGH ML. Interrater reliability: the kappa statistic. Biochemia Medica, 2012; 22(3): 276-282.
13. NEARY C, et al. Predicting risk of postpartum haemorrhage: a systematic review. BJOG. 2021; 128: 46–53.
14. NYFLØT LT, et al. Risk factors for severe postpartum hemorrhage: a case-control study. BMC Pregnancy Childbirth, 2017; 17(1): 17.
15. OSANAN GC, et al. Strategy for zero maternal deaths by hemorrhage in Brazil: a multidisciplinary initiative to combat maternal morbimortality. RBGO. 2018; 40(3): 103-5.
16. RANJBAR A, et al. Predicting risk of postpartum hemorrhage using machine learning approach: A systematic review. Gynecology and Obstetrics Clinical Medicine. 2023; 3(3): 170-174.
17. SAVVIDOU M. Postpartum haemorrhage; prevention and perception. BJOG: An International Journal of Obstetrics & Gynaecology. 2023; 130(9): 997-998.
18. SAY L, et al. Global causes of maternal death: a WHO systematic analysis. Lancet Global Health, 2014; 2(6): 323-333.
19. SHAH SY, et al. Prediction of postpartum hemorrhage (PPH) using machine learning algorithms in a Kenyan population. Front Glob Womens Health. 2023; 4: 1161157.
20. SOUZA MT, et al. Integrative review: what is it? How to do it? Einstein (Sao Paulo). 2010; 8(1): 102-6.
21. STILLWELL S, et al. Evidence– based practice: step by step. Am J Nurs, 2010; 110(5): 41-47.
22. VENKATESH KK, et al. Machine learning and statistical models to predict postpartum hemorrhage. Obstet Gynecol, 2020; 135(4): 935-944.
23. WANG M, et al. Quantitative prediction of postpartum hemorrhage in cesarean section on machine learning. BMC Med Inform Decis Mak, 2024; 24(1): 166.
24. WESTCOTT JM, et al. Prediction of maternal hemorrhage using machine learning: retrospective cohort study. J Med Internet Res, 2022; 24(7): 34108.
25. XU L, et al. Development and validation of an artificial neural network prediction model for postpartum hemorrhage with placenta previa. Minerva Anestesiol. 2023; 89(11): 977-985.