DESENVOLVIMENTO DE UM MÉTODO DE APRENDIZAGEM DE … · Por meio de métodos de aprendizagem de...
Transcript of DESENVOLVIMENTO DE UM MÉTODO DE APRENDIZAGEM DE … · Por meio de métodos de aprendizagem de...
DESENVOLVIMENTO DE UM MÉTODO DE APRENDIZAGEM DE MÁQUINA
PARA SEGUIMENTO DE PACIENTES NO PÓS OPERATÓRIO DE CIRURGIA
CARDÍACA VIA WhatsApp®
Objetivo: propor um modelo de aprendizagem de máquina para prever o prognóstico de
recuperação do paciente submetido a cirurgia cardíaca a partir do conteúdo das conversas
obtidas via WhatsApp®. Método: Trata-se de uma pesquisa metodológica com dados dos
pacientes nos 30 dias após a alta hospitalar via WhatsApp®. O banco de dados foi construído
no Google Planilhas e o modelo de rede neural foi construído com linguagem Python. Essa
pesquisa está vinculada ao projeto “Validação do Diagnóstico de Enfermagem de Recuperação
Cirúrgica Retardada (RCR)” aprovado pelo Conselho de Ética e Pesquisa do Hospital
Universitário Antônio Pedro e pela instituição coparticipante Instituto Nacional de Cardiologia
pelo parecer nº 1.759.757 e CAAE: 36683714.9.3001.5272. Resultados: O modelo teve
acurácia de 72,8%, a precisão de 80,6% e recall de 83,3%. Conclusão: O modelo de
aprendizagem de máquina proposto poderá auxiliar na predição prognóstica dos pacientes,
apresentando-se como ferramenta de auxílio ao enfermeiro.
Descritores: Enfermagem Perioperatória; Enfermagem Cardiovascular; Inteligência Artificial;
Cuidados de Enfermagem.
Keywords: Perioperative Nursing; Cardiovascular Nursing; Artificial Intelligence; Nursing
Care;
Descritores: Enfermería Perioperatoria; Enfermería Cardiovascular; Inteligencia Artificial;
Atención de Enfermería
1 INTRODUÇÃO
Conforme a Organização Pan-Americana de Saúde e a Organização Mundial da
Saúde(1), as doenças cardiovasculares são a principal causa de morte no mundo entre as doenças
crônicas não transmissíveis. Em 2015, aproximadamente 17,7 milhões de pessoas morreram
por essas doenças, representando 31% de todas as mortes em nível global, sendo 7,4 milhões
devidos as doenças cardiovasculares e 6,7 milhões a acidentes vasculares cerebrais (AVC’s).
Em 2017, no Brasil, segundo a Sociedade Brasileira de Cardiologia(2), estima-se que ocorreram
383.961 mil mortes causadas por doenças cardiovasculares.
O Ministério da Saúde define doenças cardiovasculares como “qualquer agravo que
dificulte ou impeça a boa circulação sanguínea no organismo”. Dentre esses agravos, estão
doenças coronarianas, cerebrovascular, arterial periférica, cardíaca reumática, cardiopatias
congênitas, trombose venosa profunda e embolia pulmonar(1).
Pereira et al.(3) descreve que a cirurgia cardíaca é um procedimento complexo e invasivo
de grande porte, que tem finalidade restabelecer a capacidade funcional do coração, diminuir
os sintomas e proporcionar ao indivíduo o retorno às suas atividades de vida diárias. E, dentre
as patologias cardíacas que geralmente têm indicação cirúrgica, destacam-se as cardiopatias
congênitas, as doenças valvulares e da aorta e doenças coronárias graves(4).
Desse modo, os altos custos no setor da saúde em associação com a produção cada vez
maior de novas tecnologias, proporcionam a oportunidade, social e política, de diversificar as
formas de atenção. Por isso, é fundamental desenvolver mecanismos de articulação entre os
setores envolvidos na produção, incorporação e na utilização de tecnologias nos sistemas de
saúde(5).
O uso de tecnologias da informação e comunicação em serviços de cuidados em saúde
começou na década de 90 com a expansão das mídias sociais, conhecida como Web 2.0 ou
redes sociais, que são definidas como um conjunto de ferramentas baseadas na Internet que
visam ajudar os usuários a se conectarem, colaborarem e se comunicarem com outras pessoas
em tempo real(6).
O uso do WhatsApp® em cuidados de saúde demonstrou resultados satisfatórios na
integração da teoria e prática clínica, tanto para a enfermagem quanto para a medicina.
Entretanto, o uso do aplicativo como ferramenta de comunicação entre profissionais e pacientes
e na educação em saúde está limitado à número pequeno de publicações(6).
O aprendizado de máquina (AM ou Machine Learning, em inglês) é uma das áreas da
Inteligência Artificial que vem ganhando um grande destaque na área da saúde e em diversas
outras do conhecimento(7). Por meio de métodos de aprendizagem de máquina, computadores
aprendem a partir de dados passados a responder e se adaptarem automaticamente à novas
entradas de dados. Para isso acontecer, é empregado o princípio de inferência denominado
indução, que aprende a induzir uma função ou hipótese capaz de resolver um problema a partir
de dados anteriormente inseridos(8-10).
Obermeyer e Emanuel(8) preveem grande impacto do uso de modelos preditivos de
aprendizagem de máquina, principalmente em três grandes áreas da medicina: o primeiro deles
envolve o aumento da identificação acurada de um prognóstico que levará a um melhor
planejamento de cuidados aos pacientes, o segundo sobre a interpretação de imagens
digitalizadas e dados fisiológicos em tempo real e o terceiro sobre o aumento da acurácia de um
diagnóstico. As técnicas de AM, no futuro não muito distante, será uma ferramenta
indispensável para os profissionais da saúde, principalmente clínicos gerais, que desejam
compreender na totalidade os pacientes. Assim, conforme as condições médicas e as tecnologias
forem evoluindo e tornando-se mais complexas, a aprendizagem automática e a medicina
clínica serão desafiadas a acompanhar esse crescimento.
O objetivo desse estudo então, é desenvolver um modelo preditivo de aprendizado de
máquina para o seguimento de pacientes submetidos a cirurgia cardíaca.
2 MÉTODO
Trata-se de um estudo metodológico, da viabilidade de desenvolvimento de uma
tecnologia baseada no modelo de inteligência artificial, o aprendizado de máquina, com
algoritmo de rede neural.
O modelo preditivo de aprendizagem de máquina com rede neural não é um novo
instrumento, pois seu desenvolvimento e utilização já está bem descrito na literatura, porém no
contexto dessa pesquisa passa a ser um método inovador quando usado como possibilidade de
uma ferramenta de auxílio à saúde.
Essa pesquisa está vinculada ao projeto “Validação do Diagnóstico de Enfermagem de
Recuperação Cirúrgica Retardada (RCR)”, aprovado pelo Comitê de Ética em Pesquisa do
Hospital Universitário Antônio Pedro (HUAP) e pela Instituição Coparticipante do estudo
Instituto Nacional de Cardiologia – INC, sob o parecer nº 1.759.757 e CAAE:
36683714.9.3001.5272, em 04 de Outubro de 2016, seguindo desta forma as Recomendações
da Resolução 466/12 do Conselho Nacional de Saúde (CNS). Todos os participantes da
pesquisa assinaram o Termo de Consentimento Livre e Esclarecido (TCLE) no período pré-
operatório e suas dúvidas foram esclarecidas quanto à execução da pesquisa e se
A pesquisa foi desenvolvida com pacientes do Instituto Nacional de Cardiologia (INC),
localizado no Estado do Rio de Janeiro, regido pelo Sistema Único de Saúde (SUS) de esfera
Federal. Referência do Ministério da Saúde no tratamento de alta complexidade em casos de
doenças e cirurgias cardíacas, atuando há mais de 40 anos neste seguimento (11).
Os critérios de elegibilidade foram pacientes que receberam alta hospitalar e que
responderam à pelo menos um dos três contatos realizados nos 30 dias após a alta via
WhatsApp®.
Foram incluídos 181 pacientes no estudo do doutorado. Desses, 13 foram a óbito intra-
hospitalar, 1 foi transferida para outra instituição e 167 receberam alta hospitalar. (Figura 1). O
contato telefônico foi realizado em três momentos, sendo no 7º (D7), 15º (D15) e 30º (D30) dia
após a alta hospitalar. Os pacientes poderiam ser contactados por meio de ligações telefônicas
ou via mensagem instantânea por meio do WhatsApp®. A ligação telefônica somente era
realizada quando o telefone fornecido na visita pré-operatória era fixo ou quando o paciente
não utilizava o aplicativo.
Dos 167 pacientes que receberam alta hospitalar, 86 responderam o contatado via
telefone e 81 pacientes via WhatsApp®, essa foi delimitada como à amostra de pacientes do
estudo. No entanto, os pacientes responderam um ou mais contatos e as conversas foram
separadas por dia de contato, o resultante de conversas foi de 119, significando a perda de 124.
Figura 1 – Fluxograma da amostra do estudo. Brasil, 2019.
Os contatos via aplicativo WhatsApp® foram realizados entre julho de 2017 até agosto
de 2018. Todos os pacientes eram abordados por meio do instrumento de acompanhamento
(Figura 2).
Figura 2 – Instrumento de ligação telefônica. Brasil, 2019.
2.1 Tratamento dos Dados
Os dados das conversas obtidas via WhatsApp® foram exportados do celular da autora
do estudo de doutorado e da autora desse estudo para armazenamento na nuvem disponibilizada
gratuitamente e eletronicamente pelo Google Drive. Essas conversas são enviadas em formato
documento de texto e foram convertidas manualmente para documento Microsoft Word. Nessa
conversão, foram incluídos os perfis de cada paciente no documento, as perguntas e respostas
foram identificadas por emissor, sendo essa a “PESQUISADORA”, e o receptor, sendo esse o
paciente identificado pelo seu número, por exemplo “C77”, e o desfecho de cada dia de contato,
sendo positivo ou negativo.
A caracterização dos desfechos das 119 conversas foi decidida de três modos:
- Resposta de que o paciente procurou a emergência devido à mal-estar;
- Reinternação;
- Identificação de duas ou mais variáveis de recuperação retardada tipo dor, mobilidade
prejudicada, cansaço, perda de apetite, evidência de interrupção na cicatrização da área
cirúrgica e falta de ar.
Essas variáveis foram escolhidas e sustentadas pelo diagnóstico de enfermagem
Recuperação cirúrgica retardada(12).
2.1.1 Pré-processamento dos Dados
Inicialmente, antes mesmo de começar o treinamento do modelo de aprendizagem de
máquina, foi necessário realizar um pré-processamento dos dados, que corresponde a duas
etapas: primeiro a normatização do texto, subdividido em três etapas, e segundo a vetorização
do texto.
A primeira etapa, normatização do texto, subdivide-se em:
1- Lematização: A lematização é o ato de representar as palavras através do infinitivo
dos verbos e masculino singular dos substantivos e adjetivos(13). Então palavras
como gato, gata, gatos, gatas derivam todas da palavra gato; A lematização é útil
quando queremos ver os usos de palavras em contextos sem importância das flexões.
2- Stemmimg: A principal função deste processo é permitir o mapeamento de
palavras que sejam semântica e morfologicamente relacionadas, desta forma,
podendo agrupar maior quantidade de palavras que tenham o mesmo sentido através
de seu radical(14). Por exemplo, a oração “Estou andando bem” transforma-se em
“est and bem”, pois “estou”, “estava” derivam do mesmo verbo “estar” e “andando”,
“andei” derivam de “andar”.
3- Normalizações simples: remoção de acentos, pontuações e transforma maiúsculas
em minúsculas.
A segunda etapa é a vetorização das palavras já normatizadas. Os modelos de machine
learning e, em particular, a rede neural, não lidam com entradas puramente textuais, logo faz-
se necessário a conversão do texto para uma representação mais adequada, nesse caso em forma
de vetor. A metodologia utilizada visa transformar palavras de significado similar em vetores
próximos do espaço, ou seja, “médico e enfermeiro”. É possível realizar diversas operações
como adição e subtração de palavras. Um exemplo resultante dessas operações seria “rei –
homem + mulher = rainha”. Assim, conclui-se que a representação vetorial não é só
conveniente, mas também possui funcionalidades que tornam o texto mais expressivo ao
algoritmo. Essa transformação de palavras para vetores que foi aplicado denomina-se
Word2vec, que converte uma ou mais palavras em vetor. Um exemplo disso seria a palavra
“feliz” que pode ser representada por [0.24, 0.45, 0.11, 0.49] e triste por [0.88, 0.78, 0.45, 0.91].
O pré-processamento foi realizado com as 119 conversas obtidas dos pacientes e foi
utilizada com entrada para o modelo de AM.
2.1.2 Idealização e Desenvolvimento do Modelo de Aprendizagem de Máquina
Para realizar a predição do prognóstico dos pacientes baseados na conversa foi utilizado
o modelo de Machine Learning. A função utilizada foi o modelo de aprendizado supervisionado
com algoritmo de rede neural aplicado no banco de dados das conversas obtidas via
WhatsApp® para a predição do prognóstico positivo ou negativo de recuperação cirúrgica após
a alta hospitalar de acordo com os dias de contato. Os modelos foram implementados fazendo-
se uso da biblioteca Scikit-Learn da linguagem de programação Python, sobre a qual os
principais fundamentos são apresentados.
Uma rede neural é um processador distribuído massivamente em paralelo, feito de
unidades de processamento simples, que tem uma propensão natural para armazenar
conhecimento experiencial e torná-lo disponível para uso. O procedimento usado para executar
o processo de aprendizagem é chamado de algoritmo de aprendizado, cuja função é modificar
os pesos sinápticos da rede de forma ordenada moda para atingir um objetivo de design
desejado. A estrutura em paralelo mais a capacidade de aprendizado formam o ponto mais
importante da rede que é a capacidade de generalização do sistema. Esta refere-se à produção
razoável de saídas de acordo com as entradas que não foram encontrados durante o aprendizado,
possibilitando que a rede neural consiga resolver problemas de grande escala(15).
Para esse estudo, foi utilizado a arquitetura de rede chamada de Multilayer Feedforward
Networks (Figura 3) que consiste no algoritmo de rede que possui uma ou mais camadas e
unidades ocultas que não são observadas na entrada ou na saída de rede. Essa parte oculta é
responsável por intervir entre a entrada externa e a saída de maneira útil, obtendo uma
perspectiva global, aprendendo e armazenando dados tornando-os disponíveis para uso(15).
Figura 3 – Rede Neural: Multilayer Feedforward Networks. Neural networks and learning machines, Haykin,
1999, p. 22(15)
.
Dentre os principais tipos de rede neural multilayer feedforward está o Multilayer
Perceptron (MLP) que consiste em uma camada de entrada, uma ou mais camadas escondidas
e uma camada de saída, em que cada uma dessas camadas possuem nós (neurônios) e se
conectam entre si por um conjunto de pesos. Essas características da rede são responsáveis pela
dificuldade de compreensão do seu comportamento, pois a não linearidade e alta conectividade
da rede fazem a interpretação difícil de se realizar. Além disso, os neurônios ocultos não fazem
parte da entrada e a saída, tornando o processo de aprendizagem do modelo complicado de ser
visualizado. Então esse próprio processo decide quais recursos da entrada devem ser
representados pelos neurônios(15-16).
Inicialmente, foi atribuída a camada oculta um peso aleatório. Esse peso será refinado
pelo treinamento dos perceptrons a partir do método backpropagation. Esse método foi
proposto por Rumelhart, Hintont e Williams em 1986(17), e consiste no ajuste, repetidamente,
dos pesos dos nós da rede neural com a intenção de diminuir a diferença de medida ente o a
saída real do vetor e a saída desejada. Como resultado desse ajuste, a camada oculta representa
uma característica importante no domínio da tarefa e a regularidade destas são capturadas pela
interação entre os neurônios. Após todo esse processo de desenvolvimento e organização do
modelo, ele está pronto para ser utilizado e gerar as métricas que comprovam a qualidade do
modelo.
Para realizar esse treinamento de aprendizagem do modelo de machine learning foi
utilizado o método de validação cruzada múltipla de “leave one out”, pois é o método mais
robusto no que se refere a escassez de dados. Nesse caso, foram usadas 119 conversas para
treinar o modelo e uma foi deixada de fora (N – 1) para testar a hipótese. Esse processo foi
repetido 119 vezes, cada vez deixando uma conversa diferente de fora e induzindo as hipóteses.
É um método computacional dispendioso e o erro quadrado sob a validação é calculado sobre
as tentativas do experimento, sendo a soma dos erros em cada teste dividido por N, nesse caso
81(15,18) (Figura 5).
Figura 5 – Métodos de Aprendizado de Máquina utilizados no desenvolvimento do
modelo. Brasil, 2019.
Todo esse processo de escolha, idealização, desenvolvimento e treinamento resulta em
métricas, que significam a qualidade do modelo em acertar o desfecho que ele foi proposto,
nesse caso a precisão, acurácia e recall.
Segundo Flach e Kull(19), a precisão é definida como a proporção de verdadeiros
positivos entre as previsões positivas. Já a taxa positiva verdadeira é denominada recall. Juntas
elas expressam uma escala harmônica.
3 RESULTADOS
A intenção do modelo preditivo de AM, com o algoritmo de rede neural criado para esse
estudo é concluir, com base nos dados obtidos das conversas via WhatsApp®, se o paciente
está evoluindo com uma recuperação positiva ou negativa e, a partir disso, saber
automaticamente se o paciente necessitará de uma atenção maior, que poderá ser realizada
durante a conversa. A entrada do modelo então, correspondeu as palavras obtidas das conversas
dos pacientes com os dados pré-processados e o desfecho seria prognóstico de recuperação
positivo ou negativo. Foram 119 conversas, sendo 77 com desfechos positivos e 42 com
desfechos negativos. O próprio modelo identificou quais as nuances que caracterizavam o
prognóstico positivo ou negativo. Dessa forma, quando inserida a próxima conversa sem o
resultado, o modelo conseguiu predizer qual era o prognóstico desse paciente a partir dos
dados do treinamento e a partir das combinações que ele mesmo criou. A forma como o
modelo foi construído está explicitado no fluxograma (figura 4) e o exemplo de nova entrada
está na figura 5. Esse processo resultou nas métricas que são descritas na Tabela 1.
Figura 4 – Fluxograma de criação e desenvolvimento do modelo de Machine Learning. Brasil, 2019
Figura 5 – Exemplo de como ocorreu o processamento e o funcionamento do modelo. Brasil, 2019.
Tabela 1: Resultados das métricas de desempenho do modelo de Machine Learning. Brasil,
2019.
Métricas
Acurácia
Recall
Precisão
0,728
0,833
0,806
A acurácia do modelo preditivo de machine learning com algoritmo de rede neural foi
de 72,8%, o recall de 83,3% e a precisão de 80,6%. Esses resultados significam que, a partir
das conversas inseridas e dos resultados dessas conversas, o modelo conseguiu acertar casos do
prognóstico, seja ele positivo ou negativo. Além disso, demonstra que o processo de idealização
e treinamento do modelo proposto foi adequado.
4 DISCUSSÃO
A acurácia, recall e precisão do modelo preditivo de machine learning com algoritmo
de rede neural foram utilizadas para avaliar a qualidade do modelo de previsão da Recuperação
cirúrgica. A acurácia significa a taxa em que o método identificou corretamente todos os casos,
o recall significa a taxa com que as conversas positivas foram corretamente identificadas como
positivas e a precisão calcula a fração relevante comparada com o total previsto. Portanto, o
principal resultado desse estudo centra no desenvolvimento de uma proposta de inovação
tecnológica que pode ser aplicada a pacientes em pós-operatório de cirurgia cardíaca.
Existem estudos que corroboram o impacto positivo da utilização de modelos de
machine learning. Em 2017, Weng et al. (20) realizou um estudo com o objetivo de avaliar se as
técnicas utilizadas poderiam melhorar a predição de desenvolver o primeiro evento
cardiovascular em 10 anos. Foram comparados quatro algoritmos com um já existente do
Colégio Americano de Cardiologia, utilizando dados clínicos de rotina de 378.256 mil pacientes
do Reino Unido. O algoritmo que apresentou melhor resultado foi o de rede neural que
identificou 355 predições adicionais ao modelo já estabelecido, comprovando que esses
pacientes poderiam ser beneficiados de tratamentos preventivos ao invés de outros que são
tratados desnecessariamente.
Já no Brasil, Oliveira et al.(21) realizaram um estudo para desenvolver e validar modelos
preditivos para detectar diabetes não diagnosticada a partir das entrevistas de 12.477 adultos
realizadas para o Estudo Longitudinal de Saúde do Adulto (ELSA-Brasil). Os testes do modelo
que apresentaram os melhores algoritmos de machine learning foram o de rede neural artificial
e o de regressão logística, identificando a frequência de 11% de casos de diabetes não
diagnosticada, ou seja, entre os 403 indivíduos do conjunto de dados de teste que tinham
diabetes não diagnosticada, 274 foram identificados como casos positivos.
Como esses estudos, Obermeyer e Emanuel(8) recomendam que há uma previsão de
grande impacto na medicina com o uso de modelos preditivos de machine learning. O Fórum
de Economia Mundial(22) já calculou que, até 2020, o desenvolvimento tecnológico cause uma
perda de aproximadamente 5 milhões de empregos e gere a necessidade de 2 milhões de novos
empregos. Isso significa que para a sobrevivência de determinadas categorias profissionais, será
necessária uma reorganização dos currículos, bem como treinamento e formação contínua dos
profissionais em exercício(23).
Diversos robôs estão sendo desenvolvidos no Brasil e no mundo para auxiliar no
cuidado e essa tecnologia pode interferir no cotidiano da enfermagem. Por isso, de acordo com
Fernandes et al.(23), a enfermagem precisa fazer uma reflexão sobre qual a melhor atitude a ser
tomado em um mundo que tende a ser majoritariamente tecnológico. Além disso, os
enfermeiros possuem uma posição privilegiada diante desse cenário, pois não existem
enfermagem sem interação humana e, somente uma parcela das funções do trabalho poderá ser
substituída por tecnologia. Dessa forma, a Enfermagem deverá valorizará a natureza humana
em detrimento do aparato das tecnologias, evitando a mecanização da assistência e ampliando
a atenção, escuta ativa e compaixão com as pessoas. No entanto, a inclusão da tecnologia no
cuidado de enfermagem será inevitável, e a própria área de enfermagem desenvolver suas
tecnologias e processos de modo interdisciplinar e cooperativo deve ser um caminho
contemporâneo.
O perfil dos participantes se torna mais complexos a cada dia, com cirurgias extensas e
em uma população cada dia mais envelhecida, com dificuldade de deslocamento pelas
distâncias e complexidade urbana, ou mesmo pela necessidade de acompanhamento de um
familiar. Com isso o uso de tecnologias no cotidiano, viabilizam o acompanhamento de
pacientes via WhatsApp® de pacientes de cirurgia cardíaca. Os pacientes se mostraram
familiarizados com uso do aplicativo e satisfeito com o atendimento.
As complicações pós operatórias tardias podem acontecer até mesmo em 30 dias após a
cirurgia, alterando o quadro clínico do paciente. Atualmente, o paciente submetido ao
procedimento cirúrgico tem alta cada vez mais precoce. As dúvidas no âmbito hospitalar são
constantes e o retorno para casa, em que o paciente ou familiar será responsável pelo cuidado,
causa medo e ansiedade. Essa situação propicia a criação de um planejamento de um programa
de acompanhamento para os pacientes. O uso do telefone de modo tradicional para seguimento
no pós-alta hospitalar foi estudado por autores em outras cirurgias e demonstraram bons
resultados(6, 24-28).
A aceitação de modelos de acompanhamento de saúde associado a tecnologias vem se
destacando no Brasil e no mundo e estudos já comprovam que entre idosos com 60 anos ou
mais há maior adesão de tecnologias pelas mulheres, que os aparatos tecnológicos são úteis,
porém muitas vezes difíceis de serem utilizados(29). Nesse estudo, os homens foram maioria,
talvez pela doença cardíaca, e demonstraram usuários assíduos do aplicativo utilizado.
Apesar da quantidade expressiva de estudos com intervenções de enfermagem por
telefone com bons resultados, ainda há poucos com o uso do WhatsApp®. Um deles é o de
Lima et al. (6), que realizou um estudo de acompanhamento via WhatsApp® de 26 homens com
diagnóstico de HIV/AIDS assistidos pelo Sistema Único de Saúde do estado do Ceará, Brasil.
Os contatos eram realizados a cada duas semanas por uma enfermeira que possuía um celular
exclusivo para esse fim. Além dos assuntos propostos e enviados pelos pesquisadores, os
pacientes poderiam realizar contato a qualquer hora para esclarecer dúvidas. O resultado do
estudo demonstrou adesão do método utilizado para contato pois os pacientes puderam se
aproximar dos profissionais da saúde ao promover um canal aberto de comunicação, além de
oferecer suporte emocional.
Outros estudos com o uso de WhatsApp® foram encontrados como o de Ferreira et
al.(30) e Martorell(31), porém não tratavam de acompanhamento de enfermagem por meio do
aplicativo e, sim de discussão de casos e, compartilhamento de informações entre usuários.
Observa-se uma lacuna sobre o acompanhamento de pacientes por esse meio de comunicação
do que diz respeito aos pacientes de cirurgia cardíaca, por isso, a necessidade de divulgação do
estudo realizado.
5 CONCLUSÃO
Com o estudo, foi possível analisar que o modelo proposto com técnicas de
aprendizagem de máquina pode ser uma tecnologia de cuidado em enfermagem, e está em
consonância com os estudos encontrados, apesar de serem poucos. Observa-se bons resultados
de acurácia, precisão e recall, demonstrando que o modelo proposto foi capaz de predizer a
recuperação. Esse tipo de tecnologia pode se apresentar como uma ferramenta de auxílio para
instituições de saúde para acompanhamento após a alta hospitalar, auxiliando os profissionais
da saúde, principalmente enfermeiros, em prever o prognóstico de pacientes a partir dos relatos
e pode auxiliar o enfermeiro a propor intervenções individualizadas, à distância e
presencialmente, em tempo real. Sua intenção não é substituir o profissional de saúde e sim
otimizar seu tempo e auxiliá-lo na identificação de casos que requeiram maior atenção.
É importante salientar que os três contatos telefônicos foram inseridos como entrada no
algoritmo ao mesmo tempo. Devido a isso, sugere-se que, em estudos futuros, esse modelo
possa ser usado com entradas diárias de conversas via WhatApp® alimentado instantaneamente
pela nuvem quando conectado à um dispositivo remoto, podendo emitir um alerta automático
ao profissional que está acompanhando o paciente, para isso novo estudo de teste deve ser
realizado.
Conclui-se então, que as novas tecnologias podem ser uma ferramenta de auxílio no
exercício profissional da enfermagem e pode trazer benefícios aos pacientes e ao sistema de
saúde.
6 REFERÊNCIAS
1 Organização Mundial Da Saúde. Organização Pan-Americana De Saúde. Determinantes
Sociais e Riscos para a Saúde, Doenças Crônicas não transmissíveis e Saúde Mental: Doenças
Cardiovasculares [Internet]. 2017 [cited 2018 Ago 24]. Available from:
https://www.paho.org/bra/index.php?option=com_content&view=article&id=5253:doencas-
cardiovasculares&Itemid=839
2 Sociedade Brasileira De Cardiologia [Internet]. 2017 [cited 2018 Ago 24]. Available from:
http://www.cardiometro.com.br/anteriores.asp
3 Pereira DA et al. Conhecimento de Pacientes no Pré-Operatório Acerca da Cirurgia
Cardíaca. Rev enferm UFPE on line. 2017;11(supl. 6):2557-2564. doi: 10.5205/reuol.9799-
86079-1-RV.1106sup201710
4 Teixeira MV et al. Avaliação dos Resultados das Orientações Pré-Operatórias a Pacientes
Submetidos à Cirurgia Cardíaca Eletiva. R. Enferm. Cent. O. Min. [Internet]. 2013 [cited
2018 Ago 26];3(2):620-631. Available from:
http://www.seer.ufsj.edu.br/index.php/recom/article/view/329/425.
5 Brasil. Ministério da Saúde. Secretaria de Ciência, Tecnologia e Insumos Estratégicos.
Departamento de Ciência e Tecnologia. Política Nacional de Gestão de Tecnologias em
Saúde. Brasília [Internet]. 2010 [cited 2018 Ago 24] Available from:
http://bvsms.saude.gov.br/bvs/publicacoes/politica_nacional_gestao_tecnologias_saude.pdf
6 De Lima ICV et al. Uso de aplicación Whatsapp para seguimento de salud de personas com
VIH: um análisis temático. Esc. Anna Nery. 2018;22(3). doi: 10.1590/2177-9465-ean-2017-
0429
7 Batista AFM, Chiavegatto Filho ADP. Machine Learning aplicado à Saúde. Workshop:
Machine Learning. 19º Simpósio Brasileiro de Computação Aplicado à Saúde. Sociedade
Brasileira de Computação [Internet]. 2019 [cited 2019 Jun 15]. Available from:
https://sol.sbc.org.br/livros/index.php/sbc/catalog/view/29/95/245-1
8 Obermeyer Z, Emanuel EJ. Predicting the Future — Big Data, Machine Learning, and
Clinical Medicine. N Engl J Med. 2016;(375):1216-1219. doi: 10.1056/NEJMp1606181.
9 Chiavegatto Filho ADP. Uso de big data em saúde no brasil: perspectivas para um futuro
próximo. Epidemiologia e Serviços de Saúde, SciELO Public Health. 2015;24:325–332. doi:
10.5123/S1679-49742015000200015
10 Faceli K et al. Inteligência Artificial: Uma abordagem de aprendizado de máquina. Grupo
Gen-LTC, 2011.
11 Brasil, Ministério da Saúde (MS)- Instituto Nacional de Cardiologia: Sobre o Instituto
[Internet]. 2015 [cited 2018 Ago 28]. Available from:
http://www.inc.saude.gov.br/htm/inc.htm
12 NORTH AMERICAN NURSING ASSOCIATION (NANDA-I). Diagnósticos de
enfermagem da NANDA-I Internacional: definições e classificação (2018-2020). 11. ed. Porto
Alegre: Artmed, 2018.
13 De Lucca JL, Nunes MGV. Lematização versus Stemming. USP, UFSCar, UNESP, São
Carlos, São Paulo, 2002.
14 Xavier BM, Da Silva AD, Gomes GRR. Análise comparativa de algoritmos de redução de
radicais e sua importância para a mineração de texto. Pesquisa Operacional para o
Desenvolvimento [Internet]. 2013 [cited 2019 Jun 17];5(1):84-99. Available from:
https://www.dataci.es.gov.br/publicacoes/arq/189-2122-1-PB.pdf
15 HAYKIN, S. Neural networks and learning machines. 3rd ed. Prentice Hall PTR: 1999.
16 Tissot HC, Camargo LC, Pozo ATR. Treinamento de redes neurais feedforward:
comparativo dos algoritmos backpropagation e differential evolution. Brazilian Conference on
Intelligent Systems [Internet]. 2012 [cited 2019 Jun 17]. Available from:
https://www.researchgate.net/profile/Hegler_Tissot/publication/273950621_Treinamento_de_
redes_neurais_feedforward_comparativo_dos_algoritmos_backpropagation_e_differential_ev
olution/links/551148d80cf2a8dd79c01777.pdf
17 Rumelhart DE, Hinton GE, Williams RJ. Learning representations by back-propagating
erros. Nature [Internet]. 1986 [cited 2019 Jun 17];323:533–536. Available from:
https://www.nature.com/articles/323533a0
18 Monard MC, Baranauskas JA. Conceitos sobre aprendizado de máquina. Sistemas
inteligentes-Fundamentos e aplicações [Internet]. 2003 [cited 2019 Jun 17];1(1):32. Available
from: http://dcm.ffclrp.usp.br/~augusto/publications/2003-sistemas-inteligentes-cap4.pdf
19 Flach P, Kull M. Precision-recall-gain curves: PR analysis done right. Advances in Neural
Information Processing Systems [Internet]. 2015 [cited 2019 Jun 17];838-846. Available
from: https://papers.nips.cc/paper/5867-precision-recall-gain-curves-pr-analysis-done-
right.pdf
20 Weng SF et al. Can machine-learning improve cardiovascular risk prediction using routine
clinical data? PLoS ONE. 2017;12(4):e0174944. doi: 10.1371/journal.pone.0174944.
21 Olivera AR et al. Comparison of machine-learning algorithms to build a predictive model
for detecting undiagnosed diabetes-elsa-brasil: accuracy study. Sao Paulo Medical Journal,
SciELO Brasil. 2017;135(3):234–246. doi: 10.1590/1516-3180.2016.0309010217
22 World Economic Forum. The future of jobs: employment, skills and workforce strategy for
the fourth industrial revolution. Geneva: World Economic Forum [Internet]. 2016 [cited 2019
Jun 17]; Available from: http://www3.weforum.org/docs/WEF_Future_of_Jobs.pdf
23 Fernandes MNF et al. The present and the future of Nursing in the Brave New World. Rev
Esc Enferm USP. 2018;(52):e03356. doi: 10.1590/S1980-220X2017031603356
24 Beccaria LM et al. Complicações pós-operatórias em pacientes submetidos à cirurgia
cardíaca em hospital de ensino. Arq. Ciênc. Saúde. [Internet]. 2015 [cited 2019 Jun
17];22(1):37-41. Available from:
http://www.cienciasdasaude.famerp.br/index.php/racs/article/view/216/116
25 Carvalho LDP, Mamede MV, Araújo MRO de. Conhecimento de Pacientes Sobre o
Processo de Auto-Cuidado em Pós-Operatório de Cirurgia Cardíaca. Cad. Pesq., São Luís
[Internet]. 2011 [cited 2019 Jun 17];(18): n. especial. Available from:
http://www.periodicoseletronicos.ufma.br/index.php/cadernosdepesquisa/article/view/734
26 Dantas RAS, Aguillar OM. Problemas na Recuperação de Pacientes Submetidos à Cirurgia
de Revascularização do Miocárdio: O Acompanhamento pelo Enfermeiro Durante o Primeiro
Mês Após a Alta Hospitalar. Rev Latino-am Enfermagem [Internet]. 2001 [cited 2019 Jun
17];9(6):31-6. Available from:
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0104-11692001000600006
27 Cardozo AS et al. Acompanhamento por Telefone como Intervenção de Enfermagem na
Recuperação Cirúrgica De Idosos Prostatectomizados. Rev enferm UFPE on line.
2017;11(8):3005-3012. doi: 10.5205/reuol.11064-98681-4-ED.1108201703
28 Delphino TM, Souza PA, Santana RF. Telemonitoramento como intervenção no pós-
operatório de facectomia: revisão sistemática da literatura. Revista Mineira de Enfermage.
2016;20. doi: 10.5935/1415-2762.20160007
29 Raymundo TM, Santana CS. Elderly perception about the new technologies. Inteligência
Artificial. 2015;18(55):12-25, 2015. doi: 10.4114/ia.v18i55.1099
30 Ferreira AC et al. Utilização do aplicativo whatsapp® como ferramenta de telemedicina na
área da teleultrassonografia. Revista da Sociedade Brasileira de Ultrassonografia [Internet].
2014 [cited 2019 Jun 19];17(1):17-20. Available from: https://sbus.org.br/wp-
content/uploads/2015/09/rbus-setembro-de-20141.pdf#page=17
31 Martorell LB. Uso de Mídias Sociais: um Caso de Urgência e Emergência para
Profissionais da Saúde. Rev Bras Odontol Leg [Internet]. 2017[cited 2019 Jun 19];4(1):122-
130. Available from: http://portalabol.com.br/rbol/index.php/RBOL/article/view/130/129