Ética NO AMBIENTE DE TRABALHO, fundamentosdas relações.pdf
Aula de BIG Data Perspectivas para a pratica
1. Big data: perspectivas
para a prática e a
gestão em
enfermagem
Dra. Grace T M Dal Sasso
grace.sasso@ufsc.br
Esta apresentação não tem nenhum conflito de interesse
Universidade Federal de Santa Catarina
Centro de Ciências da Saúde
Programa de Mestrado Profissional em Informática em Saúde
2. AGENDA
04
05
06
Por que Ciência de Dados? 01
02
03
INTRODUÇÃO
DEFINIÇÕES
TIPOS DE
ALGORITMOS
APLICAÇÕES
DESAFIOS E
ARMADILHAS DO
BIG DATA E DA
CIENCIA DE
DADOS
CONCLUSÕES
3. INTRODUÇÃO
- Os registros eletrônicos de saúde estão abrindo
caminho para as pesquisas de bigdata e
consequentemente estimularam o rápido
crescimento da ciência de dados na Saúde,
trazendo-os para a beira do leito.
- A disponibilidade de grande quantidade de dados, a necessidade de
melhor atendimento baseado em evidências, e a complexidade das
doenças torna o uso das técnicas de ciência de dados e das pesquisas
baseadas em dados fundamentais para o cuidado.
Freepick, 2020
4. INTRODUÇÃO
https://www.myamericannurse.com/how-big-data-can-improve-health-care/
Florence Nightingale aplicou análises aos
dados que coletou em fichas sobre o
cuidado e os resultados com os soldados
durante a Guerra da Crimeia. Seu
“Diagrama das Causas da Mortalidade no
Exército do Oriente” se assemelha a um
gráfico que poderíamos usar hoje.
Seu estudo usando um grande conjunto
de dados coletados em 1854 e 1855
mudou nossa compreensão do impacto do
saneamento nos hospitais.
E ela fez isso com cartões de nota!
Imagine o que podemos realizar agora
usando computadores
5. INTRODUÇÃO
- Ciência de dados, é particularmente relevante no
ambiente de cuidados, pois é o campo de estudo dedicado
à extração baseada em princípios de conhecimento de
dados complexos.
Freepick, 2020
6. INTRODUÇÃO
- Apesar do número crescente de estudos e
publicações na área, até o momento houveram
poucos exemplos de projetos de ciência de
dados que resultaram em implementações
bem-sucedidas de sistemas baseados em
dados.
- No entanto, dado o crescimento esperado na
área, os enfermeiros precisam estar
familiarizados com as oportunidades e desafios
do bigdata e da ciência de dados.
Freepick, 2020
8. E o que é Bigdata?
O conceito de big data pode ser
rastreado até a década de 1970.
A partir de 2009, “bigdata” se
tornou uma palavra da moda na
indústria de tecnologia da
informação da Internet. Em 2010,
“Bigdata: uma revolução que
transformará a forma como
vivemos, trabalhamos e
pensamos.
Bates DW, Saria S, Ohno-Machado L, Shah A, Escobar G. Big data in health care: using analytics to identify and manage high-risk andhigh-cost patients.
Health Aff (Millwood). 2014;33(7):1123-1131.
9. E o que é Bigdata?
Dados digitais que são
gerados em alto volume e
grande variedade e que se
acumulam em alta
velocidade, resultando em
conjuntos de dados muito
grandes para sistemas
tradicionais de
processamento de dados
Bates DW, Saria S, Ohno-Machado L, Shah A, Escobar G. Big data in health care: using analytics to identify and manage high-risk andhigh-cost patients.
Health Aff (Millwood). 2014;33(7):1123-1131.
10. Atualmente tem sido
descrito usando-se os
10 "Vs":
1. volume,
2. velocidade,
3. variedade,
4. veracidade,
5. variabilidade,
6. validade,
7. vulnerabilidade,
8. volatilidade,
9. visualização e
10 valor
Ruifang Zhu, Shifan Han, Yanbing Su, Chichen Zhang, Qi Yu, Zhiguang Duan, The application of big data and the development of nursing science: A discussion paper,
International Journal of Nursing Sciences,Volume 6, Issue 2,2019, Pages 229-234, ISSN 2352-0132,https://doi.org/10.1016/j.ijnss.2019.03.001.
11. - Essas grandes quantidades de informações fornecem insights sobre as
operações diárias da equipe, tomada de decisões executivas, marketing de
consumo e muito mais.
- Os cuidados de saúde não fogem a esta tendência. Os dados analisados
e
aproveitados neste campo são coletados de uma variedade de fontes, incluindo
registros eletrônicos de saúde (EHRs), históricos de saúde, notas de
fornecedores, aplicativos móveis e muito mais, criando um acúmulo de
informações de saúde personalizadas em torno de cada indivíduo.
E o que é Bigdata?
12. O que é Ciência
de Dados?
- É o processo de extrair insights úteis dos dados, usando uma variedade
de ferramentas inteligentes, algoritmos e fundamentos de Machine
learning. Usa as seguintes áreas: matemática, programação, machine
learning, modelagem estatística, engenharia e visualização de dados,
reconhecimento e aprendizado de padrões, modelagem de incertezas,
armazenamento de dados e computação em nuvem.
- Conjunto de princípios fundamentais que apóiam e guiam a extração de
informação e conhecimento dos dados.
Provost F, Fawcett T. Data science and its relationship to big data and data-driven decision making. Big Data. 2013;1(1):51-59.
Fonte: Sanchez-Pinto; Luo; Churpek. Big Data and Data Science in Critical Care. Chest. Volume 154, Issue 5, November 2018, Pages 1239-1248.
<Disponível em: https://www.sciencedirect.com/science/article/pii/S0012369218307256#!>
13. O que é
Inteligência
Artificial?
É a simulação de uma atividade cerebral por máquina, podendo
executar as seguintes funções: raciocínio lógico, aprendizado e
autocorreção. Campo amplo com muitas possibilidades. Pode ser
Geral (atividades amplas que envolvem o pensamento e o
raciocínio) e Estreita (atividade humana específica)
Fonte: Sanchez-Pinto; Luo; Churpek. Big Data and Data Science in Critical Care. Chest. Volume 154, Issue 5, November 2018, Pages 1239-1248.
<Disponível em: https://www.sciencedirect.com/science/article/pii/S0012369218307256#!>
14. O que é Machine
Learning?
É um subconjunto da ciência de dados que fornece às máquinas a
habilidade de aprender automaticamente e melhorar com a
experiência a partir do desenvolvimento de algoritmos. A
aprendizagem de máquina permite que os algoritmos aprendam com
os dados fornecidos, podendo fazer previsões a partir das
informações coletadas .
Deo RC. Machine learning in medicine. Circulation. 2015;132(20):1920-1930
Fonte: Sanchez-Pinto; Luo; Churpek. Big Data and Data Science in Critical Care. Chest. Volume 154, Issue 5, November 2018, Pages 1239-1248.
<Disponível em: https://www.sciencedirect.com/science/article/pii/S0012369218307256#!>
16. Algoritmos de aprendizagem
supervisionada são usados
para descobrir relação entre
as variáveis de interesse em
um ou mais resultados alvo.
Supervisionado
Por exemplo se desejarmos saber se um conjunto de características clínicas podem prever a
mortalidade na UTI, poderia ser aplicado um algoritmo de aprendizagem supervisionada a um
conjunto de dados em que cada registro do paciente contém o conjunto de características de
interesse e um rótulo especificando seu resultado (sobreviveu ou não sobreviveu, neste
exemplo).
Modelo Supervisionado de Aprendizagem
de Máquina?
17. Descobrir padrões ou agrupamentos de
ocorrência natural nos dados sem visar um
resultado específico. Exemplo claro disso é a
medicina de precisão em que o objetivo é
descobrir subconjunto de pacientes que
compartilham características clínicas ou
moleculares, e são em teoria mais prováveis
responder as terapias direcionadas a sua
patologia.
Modelo Não Supervisionado de
Aprendizagem de Máquina?
Não Supervisionado
Por exemplo um algoritmo não supervisionado pode ser usado para descobrir subgrupos de
pacientes com a COVID-19 que têm diferentes características moleculares e clínicas e que
responderá diferentemente a drogas específicas como corticosteroides.
18. Menos utilizado, representa um
modelo híbrido e Interagem com
o ambiente, produzem ações e
analisam erros ou recompensas
Modelo Semi-supervisionado/Reforço de
Aprendizagem de Máquina?
Semi-Supervisionado
Por exemplo: o algoritmo analisa uma comunidade como um
todo e estabelece algumas características dela
19. Derivam da rede Neural e sua característica
mais marcante é o seu foco em
representações de dados de aprendizagem ou
(recursos) que podem então ser usados nos
problemas supervisionados, não
supervisionados, ou semi supervisionados,
usando diferentes camadas de
interpretação. .
Modelo Deep Learning de Aprendizagem
de Máquina?
Deep Learning
Por exemplo: detectar retinopatia diabética em imagens fundoscópicas,
detectar câncer em fotografais de pele e prever resultados usando os REP.
Miotto R, Li L, Kidd BA, Dudley JT. Deep patient: an unsupervised representation to predict the future of patients from the electronic health records. Sci Rep.
2016;6:26094.
Aczon M, Ledbetter D, Ho L, et al. Dynamic mortality risk predictions in pediatric critical care using recurrent neural networks. arXiv preprint arXiv:170106675.
2017 Jan 23
20. Inteligência Artificial
- Termo bastante amplo
- Aplicações em muitas
áreas
- Tecnologia em Evolução
Qual seriam então as diferenças entre
IA, ML e Ciência de Dados?
Machine Learning
- Sub conjunto da IA
- Aplicada a problemas
reais
Ciência de Dados
- Utiliza machine learning
e outras disciplinas como
BigData e computação
em nuvem
- Foco na resolução de
problemas do mundo real
Assim, precisamos nos familiarizar com esse volume de dados
(BigData) e começar a trabalhar visando a melhoria do cuidado
por antever problemas
21. Especialista de Domínio
Outro importante
conceito em ciência de dados é o especialista
de domínio, que em
cuidados de saúde pode ser definido como a
compreensão dos problemas clínicos do
mundo real e as realidades do cuidado ao
paciente
que ajudam a enquadrar e contextualizar a
aplicação da ciência de dados
aos problemas de saúde
Deo RC. Machine learning in medicine. Circulation. 2015;132(20):1920-1930.
Provost F, Fawcett T. Data science and its relationship to big data and data-driven decision making. Big Data. 2013;1(1):51-59
23. Exemplo
Na prática, grandes dados na área de saúde dependem tanto da
amplitude quanto da profundidade dos dados sendo capturados.
Por exemplo:
Um conjuntos de dados administrativos de saúde com
poucos elementos de dados por registro de paciente (possuem
baixa profundidade) são geralmente considerados problemas de
Big Data quando contêm milhões de registros (ampla amplitude).
Por outro lado, quando aplicação de sequenciamento de
última geração e outras abordagens "-omics" (alta profundidade
(metabolômica, proteômica, transcriptômica, genômica)), apenas
algumas dezenas de pacientes podem se tornar um problema de
bigdata dada a especificidade do dado (largura estreita)
24. Exemplo
Workflow de Big Data Analytics. Os Data warehouses armazenam grandes quantidades de dados
gerados a partir de várias fontes. Esses dados são processados
usando pipelines (processo todo)
analíticos para obter opções de saúde mais inteligentes e acessíveis
Fonte: Sanchez-Pinto; Luo; Churpek. Big Data and Data Science in Critical Care. Chest. Volume 154, Issue 5, November 2018, Pages 1239-1248.
<Disponível em: https://www.sciencedirect.com/science/article/pii/S0012369218307256#!>
25. De onde Provém estes Dados?
Registros Eletrônicos de Saúde
Monitores
Bombas de Infusão/medicação
Ventiladores Mecânicos
Sensores
Dados “Ômicos”
gerados a partir do
Genoma, os
Transcriptomas
(conjunto completo
de transcritos dos
RNAs) o
Microbioma entre
outros
Diagnósticos
Moleculares a
partir das técnicas
de biologia
molecular
Futuro Próxim
o
26. Principais fontes de BigData na UTI
Informação do
paciente
Demográficos
Familiares
Financeiros
Sociais
Contextual
Encontro da
Informação
Operações
Hospitalares e
da UTI
Financeiros
Diagnóstico
Valores
Fenótipos Dados-
Dirigidos
Financeiros
Intervenções
Medicações
Procedimentos
Outras terapias
Suporte a
órgãos
Molecular/Celular
Laboratório
Dados genômicos*
Microbiano
Paciente
Diagnósticos de
Profissionais
Fonte: Sanchez-Pinto; Luo; Churpek. Big Data and Data Science in Critical Care. Chest. Volume 154, Issue 5, November 2018, Pages
1239-1248. <Disponível em: https://www.sciencedirect.com/science/article/pii/S0012369218307256#!>
* Modernas técnicas moleculares “OMICS” (por exemplo, genômica, transcriptômica, proteômica,
metabolômica, microbiômica)
27. Imagem
Radiologia
Vídeos
Fotografias
Linguagem
Natural
Notas clínicas
Relatórios
Gravação de voz
Narrativas dos
pacientes
Fisiológicos
Gráficos clínicos
Gerado por aparelhos
Tecnol. Vestíveis
Monitores
Patologia
Fonte: Sanchez-Pinto; Luo; Churpek. Big Data and Data Science in Critical Care. Chest. Volume 154, Issue 5, November
2018, Pages 1239-1248. <Disponível em: https://www.sciencedirect.com/science/article/pii/S0012369218307256#!>
Principais fontes de BigData na UTI
28. Alguns exemplos de Algoritmos
usados em Ciência de Dados
Regressão Clássica
Baseado em Árvore
Bayseano
Rede Neural
Análise de Cluster
(Grupo)
Regressão Linear e Regressão Logística (algoritmo de aprendizagem
supervisionada)
Árvores de regressão e Classificação, floresta aleatória, árvores de
gradiente aumentado (algoritmo de aprendizagem supervisionada)
Rede Bayseana, Naive Bayes (algoritmo de aprendizagem
supervisionada)
Rede neural artificial, rede neural profunda (algoritmo de deep
learning)
Análise hierárquica de cluster, k Means usada na mineração de dados
(algoritmo não supervisionado)
30. Modelos preditivos e Modelos prognósticos
são distinguidos semanticamente:
1) Modelos Preditivos são geralmente
treinados para predizer a probabilidade de
uma condição, evento, ou resposta.
2) Já os Modelos Prognósticos são
especificamente treinados para prever uma
condição final, um resultado como a
Mortalidade.
Modelos Prognósticos e Preditivos – Algoritmos
de aprendizagem supervisionada
Pixabay, 2020
31. Modelos Prognósticos e Preditivos –
Algoritmos de aprendizagem supervisionada
O mais antigo modelo prognóstico desenvolvido por
Knaus et al em 1980 foi o de estimativa do risco de
mortalidade a partir do Score de avaliação de saúde
crônica e fisiologia aguda (APACHE).
Churpek e Colegas (2014) desenvolveram um modelo
preditivo de estimativa de risco de parada
cardiorrespiratória, ou morte em pacientes transferidos
da enfermaria para a UTI.
Knaus WA, Zimmerman JE, Wagner DP, Draper EA, Lawrence DE.APACHE-acute physiology and chronic health evaluation: a
physiologically based classification system. Crit Care Med. 1981;9(8):591-597.
Knaus WA, Draper EA, Wagner DP, Zimmerman JE. APACHE II: a severity of disease classification system. Crit Care Med. 1985;13(10):818-829
Churpek MM, Yuen TC, Winslow C, et al. Multicenter development and validation of a risk stratification tool for ward patients. Am J
Respir Crit Care Med. 2014;190(6):649-655
.
Pixabay, 2020
32. Modelos Prognósticos e Preditivos –
Algoritmos de aprendizagem supervisionada
Outro estudo de Joshi e Szolovits
(2012), usaram 54 variáveis clínicas para
predizer a Mortalidade dos pacientes em 30 dias
na UTI a partir da disponibilidade de
Monitoramento Inteligente Multiparâmetro nos
pacientes de UTI.
Modelos baseados em biomarcadores para
câncer, sepse e outras doenças que respondem
a terapia.
Joshi R, Szolovits P. Prognostic physiology: modeling patient severity in intensive care units using radial domain folding. Paper presented at:
American Medical Informatics Association Annual Symposium Proceedings; November 3-7, 2012; Chicago, IL
Pixabay, 2020
33. Modelos Clustering e Fenotipagem– Algoritmos
de aprendizagem não supervisionada
Calfee e Colegas (2014) identificaram dois subfenótipos
da SDRA usando dados clínicos e de citocinas de dois
ensaios clínicos randomizados. Puderam identificar
subfenótipos com distintos perfis inflamatórios, resposta
as estratégias de ventilação e resultados clínicos.
Knox e colegas (2015) usaram mapas de auto-
organização e agrupamento de médias K para identificar
4 grupos distintos de pacientes com sepse associada a
síndrome de disfunção de múltiplos órgãos que foram
independentemente associados aos resultados após o
ajuste para a gravidade da doença.
Knox DB, Lanspa MJ, Kuttler KG, Brewer SC, Brown SM. Phenotypic clusters within sepsis-associated multiple organ dysfunction syndrome.
Intensive Care Med. 2015;41(5):814-822
Calfee CS, Delucchi K, Parsons PE, et al. Subphenotypes in acute respiratory distress syndrome: latent class analysis of data from two
randomised controlled trials. Lancet Respir Med. 2014;2(8):611-620
Pixabay, 2020
34. Modelo de Processamento de Linguagem Natural
Lehman e Colegas (2012) usaram dados clínicos e notas
não estruturadas nas primeiras 24hs de admissão para
estimar o risco de mortalidade do paciente intra-
hospitalar .
Weissman e colegas (2016) aplicaram processamento
de linguagem natural para analisar documentos de alta
dos pacientes sobreviventes por SDRA e descobriram
que a SDRA raramente foi mecionada nos documentos,
em oposição a menções mais frequentes de ventilação
mecânica e permanência na UTI
Weissman GE, Harhay MO, Lugo RM, Fuchs BD, Halpern SD, Mikkelsen ME. Natural language processing to assess documentation of features of
critical illness in discharge documents of acute respiratory distress syndrome survivors. Ann Am Thoracic Soc.2016;13(9):1538-1545
Lehman LW, Saeed M, Long W, Lee J, Mark R. Risk stratification of ICU patients using topic models inferred from unstructured progress notes.
Paper presented at: AMIA annual symposium proceedings; 2012
Pixabay, 2020
35. Modelo de Análise Fisiológica da Forma de Onda
- A partir de dados do Monitor multiparâmetros para
estimar o débito cardíaco usando dados de técnica de
análise de contorno do pulso.
- Detectar hipovolemia usando dados de
fotoplestimografia
- Predizer a hipercalemia usando dados fisiológicos
combinados
Roederer A, Weimer J, DiMartino J, Gutsche J, Lee I. Robust monitoring of hypovolemia in intensive care patients using photoplethysmogram
signals. Paper presented at: Engineering in Medicine and Biology Society (EMBC), 2015 37th Annual International Conference of the IEEE;
2015.
Dunitz M, Verghese G, Heldt T. Predicting hyperlactatemia in the MIMIC II database. Paper presented at: Engineering in Medicine and Biology
Society (EMBC), 2015 37th Annual International Conference of the IEEE; 2015.
Freepick, 2020
36. Modelo Deep Learning de Análise de Imagem
- Detecção de patologias pulmonares a partir do Raio X,
bem como achados normais e anormais em imagens
abdominais e cerebrais.
Essas técnicas podem ser particularmente úteis na clínica
com disponibilidade limitada de especialistas que possam
com precisão interpretar imagens radiográficas em tempo
hábil, contudo sua eficácia e segurança devem primeiro
ser completamente testadas antes de qualquer
implementação clínica ser considerada.
Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017;42:60-88.
Gonzalez G, Ash SY, Vegas-Sanchez-Ferrero G, et al. Disease staging and prognosis in smokers using deep learning in chest computed
tomography. Am J Respir Crit Care Med. 2018;197(2):193-203.
Freepick, 2020
37. 05 Modos que o Big Data está mudando a
Enfermagem
Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017;42:60-88.
Gonzalez G, Ash SY, Vegas-Sanchez-Ferrero G, et al. Disease staging and prognosis in smokers using deep learning in chest computed
tomography. Am J Respir Crit Care Med. 2018;197(2):193-203.
Freepick, 2020
1) Documentação: Quando se trata de registrar e armazenar
informações, os enfermeiros estão na linha de frente. A captura de
dados começa no momento em que um paciente se registra em um
grupo de cuidados de saúde e continua por meio de históricos orais
de saúde, coleta de sangue e todas as outras etapas do episódio de
atendimento. Dos resultados dos testes aos códigos de faturamento,
os enfermeiros em todos os níveis registram, verificam ou aproveitam
as informações regularmente.
Quando esses componentes são concluídos corretamente, as
grandes quantidades de dados criadas por todos os pacientes em
uma organização, ou mesmo em todo o país, são valiosas para
melhorar cuidados e melhores práticas dentro de um grupo.
38. 05 Modos que o Big Data está mudando a
enfermagem
Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017;42:60-88.
Gonzalez G, Ash SY, Vegas-Sanchez-Ferrero G, et al. Disease staging and prognosis in smokers using deep learning in chest computed
tomography. Am J Respir Crit Care Med. 2018;197(2):193-203.
Freepick, 2020
Em um artigo para American Nurse Today, o jornal oficial da
American Nurses Association, Amy L. Garcia (2015) escreveu
que os enfermeiros devem cumprir as seguintes diretrizes de
documentação para promover o uso de bigdata:
- Use práticas baseadas em evidências e documente de acordo
com esses padrões.
- Seja consistente na documentação e use terminologia
padronizada.
- Evite texto livre quando possível.
- Não use a frase "dentro de limites definidos".
- Contribua com pesquisas feitas por uma organização ou
associação à qual você pertence.
- Eduque-se sobre informática em enfermagem.
39. 05 Modos que o Big Data está mudando a
enfermagem
Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017;42:60-88.
Gonzalez G, Ash SY, Vegas-Sanchez-Ferrero G, et al. Disease staging and prognosis in smokers using deep learning in chest computed
tomography. Am J Respir Crit Care Med. 2018;197(2):193-203.
Freepick, 2020
2. Pessoal:
Garantir níveis adequados de pessoal é outra área da prática
de enfermagem afetada por big data. Os horários mudam
continuamente e os requisitos de pessoal variam de acordo
com a demanda, com base no número de pacientes e em suas
necessidades.
Quando uma equipe de enfermagem tem poucos funcionários,
a situação pode ser literalmente uma questão de vida ou morte.
Usando big data, os gestores de enfermagem podem
determinar com mais eficácia quantos membros da equipe
precisarão a qualquer momento. De acordo com a AMN
Healthcare, a análise preditiva pode antecipar as necessidades
da equipe e as demandas dos pacientes com até 120 dias de
antecedência.
40. 05 Modos que o Big Data está mudando a
enfermagem
Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017;42:60-88.
Gonzalez G, Ash SY, Vegas-Sanchez-Ferrero G, et al. Disease staging and prognosis in smokers using deep learning in chest computed
tomography. Am J Respir Crit Care Med. 2018;197(2):193-203.
Freepick, 2020
2. Pessoal:
Conhecer a demanda futura dos pacientes para que os
prestadores de cuidados de saúde possam planejar com
precisão o agendamento da força de trabalho e a contratação
de funcionários é um ativo inestimável para instalações
médicas. Felizmente, essas informações podem estar
disponíveis e aplicadas ao planejamento e gerenciamento da
força de trabalho. ”
Níveis adequados de pessoal também ajudam a prevenir o
esgotamento da enfermagem.
41. 05 Modos que o Big Data está mudando a
enfermagem
Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017;42:60-88.
Gonzalez G, Ash SY, Vegas-Sanchez-Ferrero G, et al. Disease staging and prognosis in smokers using deep learning in chest computed
tomography. Am J Respir Crit Care Med. 2018;197(2):193-203.
Freepick, 2020
3. Melhores práticas baseadas em evidência:
Ao prestar cuidados aos pacientes, os enfermeiros desejam ter
certeza de que suas decisões são baseadas na estratégia de
tratamento mais otimizada possível. Bigdata torna mais fácil
determinar quais são essas práticas recomendadas e garantir
que sejam usadas dentro da organização. Os estudos
sugeriram que a implementação de práticas recomendadas
baseadas em evidências tem uma série de benefícios positivos
no atendimento clínico, incluindo:
a) Melhorar os resultados do paciente.
b) Redução de procedimentos desnecessários.
c) Aumento da segurança do paciente.
Este princípio também tem impacto na educação e pesquisa
em enfermagem, garantindo que o tempo e outros recursos
sejam maximizados usando as práticas mais eficientes e
eficazes.
42. 05 Modos que o Big Data está mudando a
enfermagem
Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017;42:60-88.
Gonzalez G, Ash SY, Vegas-Sanchez-Ferrero G, et al. Disease staging and prognosis in smokers using deep learning in chest computed
tomography. Am J Respir Crit Care Med. 2018;197(2):193-203.
Freepick, 2020
4. Melhores práticas baseadas em evidência:
Com o big data, os enfermeiros podem usar a análise de dados
para determinar a maneira mais eficiente de tratar os pacientes,
desde como documentar suas visitas até a maneira mais eficaz
de contratar uma unidade. Esse tipo de análise oferece
informações poderosas para a criação de diretrizes e legislação
em nível federal ou estadual, bem como para determinar como
as organizações individuais devem operar.
Big data usado para analisar o fluxo de trabalho também pode
fornecer suporte à decisão, o que dará aos enfermeiros a
confiança de que precisam quando se trata de decidir o melhor
curso de ação ao cuidar de pacientes.
43. 05 Modos que o Big Data está mudando a
enfermagem
Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017;42:60-88.
Gonzalez G, Ash SY, Vegas-Sanchez-Ferrero G, et al. Disease staging and prognosis in smokers using deep learning in chest computed
tomography. Am J Respir Crit Care Med. 2018;197(2):193-203.
Freepick, 2020
5. Novos papéis:
Além de melhorar as práticas existentes, o big data também
está criando novas oportunidades para os enfermeiros. Dentro
das posições tradicionais, a ênfase crescente na coleta e uso
de dados de sistemas como RES já pode ser vista. No entanto,
essa tendência também está criando uma série de novos
cargos para enfermeiras com experiência em tecnologia que
desejam combinar sua paixão por dados com uma experiência
em cuidados clínicos:
- Enfermeiros da informática: O papel do enfermeiro da
informática combina a prática de enfermagem com a tecnologia
da informação e comunicação para aprimorar o atendimento ao
paciente. Enfermeiros informaticistas também ajudam a moldar
práticas e políticas relacionadas à tecnologia da informação em
saúde em organizações de saúde.
44. 05 Modos que o Big Data está mudando a
enfermagem
Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017;42:60-88.
Gonzalez G, Ash SY, Vegas-Sanchez-Ferrero G, et al. Disease staging and prognosis in smokers using deep learning in chest computed
tomography. Am J Respir Crit Care Med. 2018;197(2):193-203.
Freepick, 2020
5. Novos papéis:
Diretores de informática de enfermagem: No espaço
executivo de cuidados de saúde, um papel emergente para os
enfermeiros é o de diretor de informática em enfermagem. O
DIE atua como um elo entre a equipe de enfermagem e os
esforços de tecnologia da informação e garante que as
mudanças regulatórias sejam atendidas em todos os
momentos.
Líderes de enfermagem clínica: embora líder de enfermagem
clínica não seja uma posição nova, ela evoluiu com a
introdução de bigdata. Os profissionais de enfermagem que
desejam avançar para essa função se beneficiarão de uma
formação em informática e outras áreas de uso de dados no
ambiente clínico.
45. DESAFIOS E ARMADILHAS DO BIG DATA
NA ENFERMAGEM
- - Apesar do número crescente de estudos, até o momento tem havido poucos
exemplos de projetos que resultaram na implementação bem-sucedida de
sistemas baseados em dados .
- - Precisamos melhorar a qualidade do dado e dos registros em saúde.
- - Como nos sentiríamos em compartilhar as responsabilidades na tomada de
decisão clínica com algoritmos de aprendizagem de máquina?
- - A implementação de sistemas de dados deve ser realizada mediante
rigorosos estudos experimentais bem controlados.
- - Para ser eficaz um sistema baseado em dados deve produzir resultados
para o paciente certo no momento certo, para além do p-valor.
- - O pensamento clínico e a tomada de decisão clínica não são reproduzíveis
pelas tecnologias atuais.
- - Privacidade e segurança dos dados – Adequada Governança dos Dados e
garantia de confiabilidade.
46. O FUTURO DA CIÊNCIA DE DADOS
Sistemas e Profissionais de Saúde trabalhando
lado a lado.
Ampla quantidade de dados clínicos, fisiológicos e
ômicos serão analisados por sistemas
computacionais e serão fornecidos a beira do leito
de forma que possam ser adminstrados,
interpretados e serem acionados no momento
certo de modo a melhorar a tomada de decisão do
profissional.
Os Modelos preditivos farão recomendações e o
profissional de saúde contextualiza esta
recomendação e coordena esta implementação
47. O FUTURO DA CIÊNCIA DE DADOS
Falsos alertas serão reduzidos ao mínimo e
os sistemas serão continuamente
melhorados através de uma abordagem
cientificamente rigorosa e colaborativa.
A ciência de dados exige pesquisa
colaborativa e será tranformadora
Os pacientes nos confiam seus preciosos
dados e nós temos a obrigação de usá-lo da
melhor maneira possível.