Palabras clave
sistema de apoyo a la decisión clínica
tiroides
Cómo citar
Copyright © | Todos los derechos reservados.
La revista posee los derechos de autor exclusivos para la publicación de este artículo en los términos de la ley brasileña 9610/98.
Reproducción parcial
El uso de partes de los textos, figuras y cuestionario del artículo es libre, siendo obligatoria la citación de los autores y revista.
Reproducción total
Está expresamente prohibido y debe ser autorizado por la revista.
Resumen
Objetivo: Presentar el proceso de creación y validación preliminar de un sistema de apoyo a la decisión clínica (SADC) para el manejo y derivación de pacientes con nódulos tiroideos para uso em atención primaria. Métodos: El SADC, basado en el conocimiento, se creó a partir de reglas derivadas de guías técnicas especializadas brasileras e internacionales, utilizando la técnica de del árbol de decisión. La validación preliminar se realizó mediante una muestra piloto de 31 pacientes con nódulos tiroideos atendidos en una consulta externa de endocrinología, con sus dados ingresados al SADC y posterior comparación entre la decisión sugerida por el sistema y una decisión de referencia propuesta por médicos especialistas. Se calcularon tres métricas de desempeño (exactitud, sensibilidad y especificidad) y el coeficiente de concordancia Kappa entre decisiones. Resultados: La exactitud del SADC fue del 90,4%, con una sensibilidad del 90% y una especificidad del 90,5%. El coeficiente de concordancia Kappa fue de 0,78 con IC 95% (0,5 - 1,01). Conclusión: El SADC propuesto presentó un buen resultado en las métricas de desempeño y una concordancia interpretada como fuerte según el coeficiente kappa.
Referencias
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).
ATTIA ZI, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med., 2019; 25(1): 70-74.
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.
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.
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.
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.
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.
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.
GARDNER DG e SHOBACK D. Greenspan’s Basic & Clinical Endocrinology. 10 ed. New York: McGraw-Hill Medical, 2018; 171-231.
DEAN DS e GHARIB H. Epidemiology of thyroid nodules. Best Pract Res Clin Endocrinol Metab., 2008; 22(6): 901-11.
FLEISS JL, et al. Large sample standard errors of kappa and weighted kappa. Psychological Bulletin, 1969; 75(5): 323-27.
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.
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.
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.
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.
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.
LANDIS JR e KOCH GG. The measurement of observer agreement for categorical data. Biometrics, 1977; 33(1): 159-74.
MCHUGH ML. Interrater realiability: the kappa statistic. Biochem Med., 2012; 22(3): 276-82.
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.
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.
ROSARIO PW, et al. Nódulo tireoidiano e câncer diferenciado de tireoide: atualização do consenso brasileiro. Arq Bras Endocrinol Metab., 2017; 57(4): 240-64.
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.
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.
SIM J e WRIGHT CC. The Kappa Statistic in Reliability Studies: Use, Interpretation, and Sample Size Requirements. Phys Ther., 2005; 85(3): 257-68.
SCHEFFER M. Demografia Médica no Brasil 2020. São Paulo: FMUSP, CFM, 2020; 1-312.
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.
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.
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).
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.
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.
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).
ZHU VJ, et al. Evaluation of a clinical decision support algorithm for patient-specific childhood immunization. Artif Intell Med., 2012; 56(1): 51-7.