ABSTRACT
ABSTRACT Objective: To analyze the critical alarms predictors of clinical deterioration/sepsis for clinical decision making in patients admitted to a reference hospital complex. Methods: An observational retrospective cohort study. The Machine Learning (ML) tool, Robot Laura®, scores changes in vital parameters and lab tests, classifying them by severity. Inpatients and patients over 18 years of age were included. Results: A total of 122,703 alarms were extracted from the platform, classified as 2 to 9. The pre-selection of critical alarms (6 to 9) indicated 263 urgent alerts (0.2%), from which, after filtering exclusion criteria, 254 alerts were delimited for 61 inpatients. Patient mortality from sepsis was 75%, of which 52% was due to sepsis related to the new coronavirus. After the alarms were answered, 82% of the patients remained in the sectors. Conclusions: Far beyond technology, ML models can speed up assertive clinical decisions by nurses, optimizing time and specialized human resources.
RESUMEN Objetivo: Analizar alarmas críticas predictoras de deterioración clínica/sepsis para toma de decisiones clínicas en pacientes internados en complejo hospitalario de referencia. Métodos: Estudio observacional de cohorte retrospectivo. La herramienta Machine Learning (ML), Robot Laura®, puntúa alteraciones en parámetros vitales y exámenes laboratoriales, clasificándolos por gravedad. Incluyeron pacientes internados y mayores de 18 años. Resultados: Extrajeron 122.703 alarmas de la plataforma, clasificadas de 2 hasta 9. La preselección de alarmas críticas (6 a 9) apuntó 263 alertas urgentes (0,2%), entre ellas, después del filtro de criterios de exclusión, delimitaron 254 alertas para 61 pacientes internados. La mortalidad de pacientes por sepsis fue de 75%, entre ellos 52% debido a sepsis relacionada al nuevo coronavirus. Después de las alarmas ser atendidas, 82% de los pacientes permanecieron en los sectores. Conclusiones: Más allá de la tecnología, modelos de ML pueden agilizar la decisión clínica asertiva de enfermeros, optimizando tiempos y recursos humanos especializados.
RESUMO Objetivo: Analisar os alarmes críticos preditores de deterioração clínica/sepse para tomada de decisão clínica nos pacientes internados em complexo hospitalar de referência. Métodos: Estudo observacional de coorte retrospectivo. A ferramenta de Machine Learning (ML), Robô Laura®, pontua alterações nos parâmetros vitais e exames laboratoriais, classificando-os por gravidade. Incluíram-se pacientes internados e maiores de 18 anos. Resultados: Extraíram-se 122.703 alarmes da plataforma, classificados de 2 até 9. A pré-seleção dos alarmes críticos (6 a 9) apontou 263 alertas urgentes (0,2%), dos quais, após o filtro de critérios de exclusão, delimitaram se 254 alertas para 61 pacientes internados. A mortalidade dos pacientes por sepse foi de 75%, dos quais 52% devido à sepse relacionada ao novo coronavírus. Após os alarmes serem atendidos, 82% dos pacientes permaneceram nos setores. Conclusões: Muito além da tecnologia, modelos de ML podem agilizar a decisão clínica assertiva dos enfermeiros, otimizando tempos e recursos humanos especializados.
ABSTRACT
ABSTRACT Parkinson's disease (PD), known since ancient times as paralysis agitans, was studied and described by James Parkinson in 1817 in his work "An Essay on the Shaking Palsy". Fifty years later, Charcot and his students delved into the disease, naming it as we know it today, as well as defining the classic disease and its variants. One of these students, Arthur Dutil, addressed patients' abnormal eye movements. Nowadays, it is known that the differential diagnosis of PD is relevant for prognosis, treatment and research, and, despite the advances in the area, it remains largely clinical. The relevance of the eye movement exam has grown along with the history of PD and it has proved to be an excellent tool for the differential diagnosis of parkinsonism. Additionally, it can become a support to identify different types of genetic PD and be useful for improving early recognition of cognitive decline in patients with PD.
RESUMO A doença de Parkinson (DP), conhecida desde a antiguidade como paralysis agitans, foi estudada e descrita por James Parkinson em 1817 em seu trabalho An Essay on the Shaking Palsy. Cinquenta anos depois, Charcot e seus alunos aprofundaram os estudos na doença, nomeando-a como a conhecemos atualmente, bem como definindo a doença clássica e suas variantes. Um desses estudantes, Arthur Dutil, investigou os movimentos oculares anormais nos pacientes. Hoje, sabe-se que o diagnóstico diferencial da DP é relevante para o prognóstico, tratamento e pesquisa, e, apesar dos grandes avanços na área, ainda permanece amplamente clínico. A relevância do exame de movimentação ocular cresceu com a história da DP e este se mostrou uma excelente ferramenta para o diagnóstico diferencial do parkinsonismo. Além disso, pode se tornar um auxílio para identificar diferentes formas de DP genética e útil para melhorar o reconhecimento precoce do declínio cognitivo em pacientes com DP.