Sangramentos induzidos por medicamentos em pacientes hospitalizados : detecção, preditores e avaliação da causalidade

Abstract

Os medicamentos, embora tragam benefícios, podem ocasionar eventos adversos (EAM) que levam a enfermidades, incapacidades ou óbito. Alguns eventos como os Sangramento Induzidos por Medicamento (SIM), são graves e de difícil determinação causal. Identificar esses eventos por meio de informações contidas no Prontuário Eletrônico do Paciente (PEP) pode aumentar a segurança. Além disso, o uso de abordagens inovadoras, como modelos de aprendizado de máquina (Machine Learning – ML), oferece vantagens significativas à prática clínica, reduzindo o tempo gasto por profissionais de saúde na revisão manual de PEP. Objetivo: fornecer subsídios para o desenvolvimento futuro de técnicas de ML na detecção de SIM em pacientes hospitalizados. Métodos: o estudo foi conduzido em três etapas principais. Primeiramente, foi realizada uma revisão integrativa da literatura para identificar pesquisas que aplicaram ML nas atividades de farmacêuticos clínicos. Em seguida, uma revisão sistemática foi conduzida para identificar gatilhos laboratoriais eficazes na detecção de SIM. Por fim, foi realizado um estudo transversal de busca ativa de SIM em pacientes hospitalizados com base em gatilhos laboratoriais (Razão Normalizada Internacional – RNI > 4,0 e Tempo de Tromboplastina Parcial Ativada – TTPA > 100 segundos). Os casos identificados foram analisados quanto à causalidade pelo Algoritmo de Naranjo e os preditores clínicos associados ao SIM foram avaliados. Além disso, foi realizada uma análise qualitativa dos PEP para identificar termos e expressões que possam servir como indicadores ou exclusores de SIM em modelos de Processamento de Linguagem Natural (PLN). Resultados: a revisão integrativa incluiu cinco estudos, sendo apenas um brasileiro, o que levou à colaboração com a startup NoHarm.ai. A revisão sistemática destacou os gatilhos laboratoriais RNI > 4,0 e TTPA > 100 segundos como ferramentas sensíveis para a detecção de SIM, além de identificar termos específicos nos PEP utilizados como gatilhos semânticos. No estudo transversal, foram analisados 159 pacientes hospitalizados em uma rede de hospitais de Porto Alegre em 2023, dos quais 98 apresentaram SIM. Os gatilhos laboratoriais demonstraram valores preditivos positivos de 64,1% (RNI > 4,0) e 60,8% (TTPA > 100 segundos). Além disso, fatores como idade avançada, tabagismo, administração de vitamina K e a presença de doenças cardiovasculares e hipertensivas foram associados ao SIM. A análise qualitativa dos PEP permitiu a identificação de termos que podem servir como indicadores (ex.: “intoxicação cumarínica”) e exclusores (ex.: “politrauma”) para a aplicação em modelos de PLN. Conclusão: os gatilhos laboratoriais, preditores clínicos e termos específicos identificados nos PEP podem subsidiar o desenvolvimento futuro de técnicas de IA na detecção de SIM, contribuindo para a otimização da farmacovigilância e para o aprimoramento da qualidade da assistência farmacêutica. Este estudo estabelece uma base importante para o uso de IA na detecção de SIM.

Medications, while providing benefits, can cause adverse drug events (ADEs) that lead to illnesses, disabilities, or death. Some events, such as Drug-Induced Bleeding (DIB), are severe and present challenges in determining causality. Identifying these events through information contained in the Electronic Health Record (EHR) can enhance patient safety. Additionally, the use of innovative approaches, such as machine learning (ML) models, offers significant advantages to clinical practice by reducing the time healthcare professionals spend on manual EHR reviews. Objective: To provide a foundation for the future development of ML-based techniques for detecting DIB in hospitalized patients. Methods: The study was conducted in three main phases. First, an integrative literature review was performed to identify research that applied ML in clinical pharmacy activities. Next, a systematic review was conducted to identify effective laboratory triggers for detecting DIB. Finally, a cross-sectional active surveillance study was carried out to detect DIB in hospitalized patients based on laboratory triggers (International Normalized Ratio – INR > 4.0 and Activated Partial Thromboplastin Time – aPTT > 100 seconds). Identified cases were assessed for causality using the Naranjo Algorithm, and clinical predictors associated with DIB were evaluated. Additionally, a qualitative analysis of EHRs was performed to identify terms and expressions that could serve as indicators or exclusion criteria for DIB in Natural Language Processing (NLP) models. Results: The integrative review included five studies, with only one from Brazil, leading to collaboration with the startup NoHarm.ai. The systematic review highlighted INR > 4.0 and aPTT > 100 seconds as highly sensitive laboratory triggers for detecting DIB and identified specific terms in EHRs used as semantic triggers. In the cross-sectional study, 159 hospitalized patients from a hospital network in Porto Alegre in 2023 were analyzed, of whom 98 were classified as having DIB. The laboratory triggers demonstrated positive predictive values of 64.1% (INR > 4.0) and 60.8% (aPTT > 100 seconds). Additionally, factors such as advanced age, smoking, vitamin K administration, and the presence of cardiovascular and hypertensive diseases were associated with DIB. The qualitative analysis of EHRs identified terms that could serve as indicators (e.g., “coumarin intoxication”) and exclusion criteria (e.g., “polytrauma”) for NLP models. Conclusion: Laboratory triggers, clinical predictors, and specific terms identified in EHRs can support the future development of automated techniques for detecting DIB, contributing to the optimization of pharmacovigilance and improving the quality of pharmaceutical care. This study establishes an important foundation for the use of AI in DIB detection.