Palabras clave
Sepsis
Toma de decisiones clínicas
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: Analizar el funcionamiento y la aplicación de la inteligencia artificial (IA) en la medicina, con un enfoque específico en el abordaje de la sepsis, una afección grave con alta mortalidad. Revisión bibliográfica: La revisión mostró que la IA es una herramienta poderosa para apoyar la toma de decisiones clínicas en casos de sepsis. A través del análisis de datos extraídos de las historias clínicas electrónicas, los algoritmos entrenados identifican los signos de septicemia de forma temprana, emitiendo alertas que dirigen al equipo médico a intervenciones más rápidas y efectivas.Este enfoque contribuye a la reducción de la mortalidad y mejora el manejo clínico. Además, la IA ayuda en la monitorización continua del paciente y la personalización del tratamiento, lo que facilita la estratificación del riesgo y la gestión clínica. Consideraciones finales: La investigación refuerza la importancia de la inteligencia artificial en el avance cualitativo de la medicina. Sin embargo, se destaca que la IA debe actuar como una herramienta complementaria, manteniendo el papel central e indispensable del médico en el manejo de la sepsis.
Referencias
BOUSSINA A, et al. Representation Learning and Spectral Clustering for the Development and External Validation of Dynamic Sepsis Phenotypes: Observational Cohort Study. Journal of Medical Internet Research, 2023; 25(25): e45614.
CALVERT J, et al. Using electronic health record collected clinical variables to predict medical intensive care unit mortality. Annals of Medicine and Surgery, 2016; 11: 52-57.
CHURPEK MM, et al. Multicenter Comparison of Machine Learning Methods and Conventional Regression for Predicting Clinical Deterioration on the Wards. Critical care med, 2016; 44(2): 368–374.
GINESTRA JC, et al. Clinician Perception of a Machine Learning–Based Early Warning System Designed to Predict Severe Sepsis and Septic Shock*. Critical Care Medicine, 2019; 47(11): 1477-1484.
HE J, et al. The practical implementation of artificial intelligence technologies in medicine. Nature Medicine, 2019; 25(1): 30-36.
JIANG F, et al. Artificial Intelligence in Healthcare: Past, Present and Future. Stroke and Vascular Neurology, 2017; 2(4): 230-243.
KRITTANAWONG C. The rise of artificial intelligence and the uncertain future for physicians. European journal of internal medicine, 2018; 48: e13–e14.
LI K, et al. Predicting in-hospital mortality in ICU patients with sepsis using gradient boosting decision tree. Medicine, 2021; 100(19): e25813–e25817.
LIAW SY, et al. Artificial Intelligence Versus Human-controlled Doctor in Virtual Reality Simulation for Sepsis Team Training: A Randomized Controlled Study. J of Med Internet Research, 2023; 25: e47748.
MAMANDIPOOR B, et al. Machine learning predicts mortality based on analysis of ventilation parameters of critically ill patients: multi-centre validation. BMC Medical Informatics and Decision Making, 2021; 21(1): 152-163.
MOHAMMED A, et al. Temporal Diff-erential Expression of Physiomarkers Predicts Sepsis in Critically Ill Adults. Shock, 2021; 56(1): 58–64.
NEMATI S, et al. An Interpretable Machine Learning Model for Accurate Prediction of Sepsis in the ICU. Critical Care Medicine, 2018; 46(4): 547–553.
PAN X, et al. Evaluate prognostic accuracy of SOFA component score for mortality among adults with sepsis by machine learning method. BMC Infectious Diseases, 2023; 23(1): 76–83.
SHIMABUKURO DW, et al. Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. BMJ Open Respiratory Research, 2017; 4(1): e000234-e000241.
SONG X, et al. Clinical factors associated with rapid treatment of sepsis. PLOS ONE, 2021; 16(5): e0250923–e0250938.
TANEJA I, et al. Diagnostic and prognostic capabilities of a biomarker and EMR‐based machine learning algorithm for sepsis. Clinical and Translational Science, 2021; 14(4): 1578–1589.
TANSAKUL V, et al. Prediction of Sepsis and In-Hospital Mortality Using Electronic Health Records. Methods of Information in Medicine, 2018; 57(4): 185-193.
THE LANCET. Artificial intelligence in health care: within touching distance. The Lancet, 2017; 390(10114): 2739.
WANG D, et al. A Machine Learning Model for Accurate Prediction of Sepsis in ICU Patients. Frontiers in Public Health, 2021; 9(9): 754348–754355.
WARDI G, et al. Predicting Progression to Septic Shock in the Emergency Department Using an Externally Generalizable Machine-Learning Algorithm. Annals of Emergency Med, 2021; 77(4): 395–406.
WORLD HEALTH ORGANIZATION (WHO). Sepsis. 2024. Available from: https://www.who.int/news-room/fact-sheets/detail/sepsis. Acessado em: 26 de outubro de 2024.
YIN J, et al. Role of Artificial Intelligence Applications in Real-Life Clinical Practice: Systematic Review. Journal of Medical Internet Research, 2021; 23(4): e25759.
YUAN K-C, et al. The development an artificial intelligence algorithm for early sepsis diagnosis in the intensive care unit. Int J Med Inform, 2020; 141: 104176–104176.