Uso da inteligência artificial para predição de acidentes de trabalho com materiais biológicos em profissionais da saúde
DOI:
https://doi.org/10.33448/rsd-v10i12.19743Palavras-chave:
Inteligência Artificial; Acidentes Ocupacionais; Saúde do Trabalhador; Atenção primária à saúde.Resumo
Este estudo buscou desenvolver um software que calcula a chance de o profissional de saúde ter zero, um, dois, três ou quatro ou mais acidentes com riscos biológicos. Para tal foram utilizados dados de 111 questionários de trabalhadores da saúde da atenção primária e pronto atendimento. O programa atingiu 95% de acurácia no conjunto de treinamento (n=88) e 74% no conjunto de teste (n=23). As associações estatisticamente significantes, que contaram também com dados de 1.094 Comunicações de Acidente de Trabalho, foram maior abandono do acompanhamento por médicos após acidente com materiais biológicos na comparação com outros profissionais (p=0.02), técnicos em enfermagem e maior prevalência de acidentes com materiais biológicos que outros profissionais (p<0.001), trabalhadores de pronto atendimento apresentam mais acidentes com materiais biológicos que profissionais da atenção primária (p<0.001) e aumento do abandono após acidente com materiais biológicos no triênio 2016-2018 na comparação com 2007-2009 (p<0.001).
Referências
Aggarwal, L. P. (2019). Data augmentation in dermatology image recognition using machine learning. Skin Research and Technology, 25(6), 815–820. https://doi.org/10.1111/srt.12726
Almeida, M. C. M. de, Canini, S. R. M. da S., Reis, R. K., Toffano, S. E. M., Pereira, F. M. V., & Gir, E. (2015). Clinical treatment adherence of health care workers and students exposed to potentially infectious biological material. Revista Da Escola de Enfermagem Da USP, 49(2), 0259–0264. https://doi.org/10.1590/S0080-623420150000200011
Balyen, L., & Peto, T. (2019). Promising artificial intelligence–machine learning–deep learning algorithms in ophthalmology. Asia-Pacific Journal of Ophthalmology, 8(3), 264–272. https://doi.org/10.22608/APO.2018479
Barbosa, A. S. A. A., Do Amaral Diogo, G., Salotti, S. R. A., & Silva, S. M. U. R. (2017). Subnotificação de acidente ocupacional com materiais biológicos entre profissionais de Enfermagem em um hospital público. Revista Brasileira de Medicina Do Trabalho, 15(1), 12–17. https://doi.org/10.5327/Z1679443520177034
Castanha, A. R., Machado, A. A., & Figueiredo, M. A. de C. (2007). Conseqüências biopsicossociais do acidente ocupacional com material biológico potencialmente contaminado: perspectiva de pessoas do convívio íntimo do profissional da saúde. Rev. SBPH, 10(1), 65–84.
Centers for Disease Control and Prevention. (2001). Updated U.S. Public Health Service guidelines for the management of occupational exposures to HBV, HCV, and HIV and recommendations for postexposure prophylaxis.
Cheng, C. T., Ho, T. Y., Lee, T. Y., Chang, C. C., Chou, C. C., Chen, C. C., Chung, I. F., & Liao, C. H. (2019). Application of a deep learning algorithm for detection and visualization of hip fractures on plain pelvic radiographs. European Radiology, 29(10), 5469–5477. https://doi.org/10.1007/s00330-019-06167-y
Chiodi, M. B., Marziale, M. H. P., & Robazzi, M. L. do C. C. (2007). Occupational accidents involving biological material among public health workers. Revista Latino-Americana de Enfermagem, 15(4), 632–638. https://doi.org/10.1590/s0104-11692007000400017
Dey, D., Slomka, P. J., Leeson, P., Comaniciu, D., Shrestha, S., Sengupta, P. P., & Marwick, T. H. (2019). Artificial Intelligence in Cardiovascular Imaging: JACC State-of-the-Art Review. Journal of the American College of Cardiology, 73(11), 1317–1335. https://doi.org/10.1016/j.jacc.2018.12.054
Erdmann, A. L., de Andrade, S. R., de Mello, A. L. S. F., & Drago, L. C. (2013). A atenção secundária em saúde: Melhores práticas na rede de serviços. Revista Latino-Americana de Enfermagem, 21(SPL), 131–139. https://doi.org/10.1590/S0104-11692013000700017
Hamet, P., & Tremblay, J. (2017). Artificial intelligence in medicine. Metabolism: Clinical and Experimental, 69, S36–S40. https://doi.org/10.1016/j.metabol.2017.01.011
Hosny, A., Parmar, C., Quackenbush, J., Schwartz, L. H., Aerts, H. J. W. L., & Edu, H. H. (2018). Artificial intelligence in radiology HHS Public Access. Nat Rev Cancer, 18(8), 500–510. https://doi.org/10.1038/s41568-018-0016-5
Johnson, K. W., Torres Soto, J., Glicksberg, B. S., Shameer, K., Miotto, R., Ali, M., Ashley, E., & Dudley, J. T. (2018). Artificial Intelligence in Cardiology. Journal of the American College of Cardiology, 71(23), 2668–2679. https://doi.org/10.1016/j.jacc.2018.03.521
Kapoor, R., Walters, S. P., & Al-Aswad, L. A. (2019). The current state of artificial intelligence in ophthalmology. Survey of Ophthalmology, 64(2), 233–240. https://doi.org/10.1016/j.survophthal.2018.09.002
Kon, N. M., Soltoski, F., Reque, M., & Do Amaral Lozovey, J. C. (2011). Acidentes de trabalho com material biológico em uma Unidade Sentinela: Casuística de 2.683 casos. Revista Brasileira de Medicina Do Trabalho, 9(1), 33–38.
Krittanawong, C., Zhang, H. J., Wang, Z., Aydar, M., & Kitai, T. (2017). Artificial Intelligence in Precision Cardiovascular Medicine. Journal of the American College of Cardiology, 69(21), 2657–2664. https://doi.org/10.1016/j.jacc.2017.03.571
Magagnini, M. A. M., Rocha, S. A., & Ayres, J. A. (2011). O significado do acidente de trabalho com material biológico para os profissionais de enfermagem. Revista Gaúcha de Enfermagem, 32(2), 302–308. https://doi.org/10.1590/S1983-14472011000200013
McKinney, S. M., Sieniek, M., Godbole, V., Godwin, J., Antropova, N., Ashrafian, H., Back, T., Chesus, M., Corrado, G. C., Darzi, A., Etemadi, M., Garcia-Vicente, F., Gilbert, F. J., Halling-Brown, M., Hassabis, D., Jansen, S., Karthikesalingam, A., Kelly, C. J., King, D., & Shetty, S. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577(7788), 89–94. https://doi.org/10.1038/s41586-019-1799-6
Meyer-Lindenberg, A. (2018). Artificial intelligence in psychiatry—an overview. Nervenarzt, 89(8), 861–868. https://doi.org/10.1007/s00115-018-0557-6
Ministério da Fazenda. (2007). Anuário Estatístico de acidentes do trabalho.
Ministério da Fazenda. (2017). Anuário Estatístico de acidentes do trabalho.
Ministério da Saúde. (2018). Protocolo clínico e diretrizes terapêuticas para profilaxia pós-exposição (PEP) de risco à infecção pelo HIV, IST e Hepatites Virais.
Nensa, F., Demircioglu, A., & Rischpler, C. (2019). Artificial intelligence in nuclear medicine. Journal of Nuclear Medicine, 60(9), 29S-37S. https://doi.org/10.2967/jnumed.118.220590
Niel, O., & Bastard, P. (2019). Artificial Intelligence in Nephrology: Core Concepts, Clinical Applications, and Perspectives. American Journal of Kidney Diseases, 74(6), 803–810. https://doi.org/10.1053/j.ajkd.2019.05.020
Paiva, M. H. R. S., & Oliveira, A. C. (2011). Fatores determinantes e condutas pós-acidente com material biológico entre profisisonais do atentimento pré-hospitalar. Revista Brasileira de Enfermagem, 64(2), 268–273. https://doi.org/10.1590/s0034-71672011000200008
Pereira A. S. et al. (2018). Metodologia da pesquisa científica. UFSM.
Sardeiro, T. L., de Souza, C. L., de Arvelos Salgado, T., Júnior, H. G., Neves, Z. C. P., & Tipple, A. F. V. (2019). Work accidents with biological material: Factors associated with abandoning clinical and laboratory follow-up*. Revista Da Escola de Enfermagem, 53, 1–9. https://doi.org/10.1590/S1980-220X2018029703516
Schork, N. J. (2019). Artificial Intelligence and Personalized Medicine. Cancer Treatment and Research, 178, 265–283. https://doi.org/10.1007/978-3-030-16391-4_11
Shimizu, H., & Nakayama, K. I. (2020). Artificial intelligence in oncology. Cancer Science, 111(5), 1452–1460. https://doi.org/10.1111/cas.14377
Silva, J. A. da, Paula, V. S. de, Almeida, A. J. de, & Villar, L. M. (2009). Investigação de acidentes biológicos entre profissionais de saúde. Escola Anna Nery, 13(3), 508–516. https://doi.org/10.1590/s1414-81452009000300008
Souza-Borges, F. R. F., Ribeiro, L. A., & de Oliveira, L. C. M. (2014). Exposições ocupacionais a fluídos corporais e comportamentos em relação à sua prevenção e pós-exposição entre estudantes de medicina e de enfermagem de universidade pública Brasileira. Revista Do Instituto de Medicina Tropical de Sao Paulo, 56(2), 157–163. https://doi.org/10.1590/S0036-46652014000200012
Stewart, J., Sprivulis, P., & Dwivedi, G. (2018). Artificial intelligence and machine learning in emergency medicine. EMA - Emergency Medicine Australasia, 30(6), 870–874. https://doi.org/10.1111/1742-6723.13145
Suarez-Ibarrola, R., Hein, S., Reis, G., Gratzke, C., & Miernik, A. (2019). Current and future applications of machine and deep learning in urology: a review of the literature on urolithiasis, renal cell carcinoma, and bladder and prostate cancer. World Journal of Urology, Ml. https://doi.org/10.1007/s00345-019-03000-5
Syed, A. B., & Zoga, A. C. (2018). Artificial Intelligence in Radiology: Current Technology and Future Directions. Seminars in Musculoskeletal Radiology, 22(5), 540–545. https://doi.org/10.1055/s-0038-1673383
Tarantola, A., Abiteboul, D., & Rachline, A. (2006). Infection risks following accidental exposure to blood or body fluids in health care workers: A review of pathogens transmitted in published cases. American Journal of Infection Control, 34(6), 367–375. https://doi.org/10.1016/j.ajic.2004.11.011
Theofilatos, K., Pavlopoulou, N., Papasavvas, C., Likothanassis, S., Dimitrakopoulos, C., Georgopoulos, E., Moschopoulos, C., & Mavroudi, S. (2015). Predicting protein complexes from weighted protein-protein interaction graphs with a novel unsupervised methodology: Evolutionary enhanced Markov clustering. Artificial Intelligence in Medicine, 63(3), 181–189. https://doi.org/10.1016/j.artmed.2014.12.012
Thomas, R., Galanakis, C., Vézina, S., Longpré, D., Boissonnault, M., Huchet, E., Charest, L., Murphy, D., Trottier, B., & Machouf, N. (2015). Adherence to post-exposure prophylaxis (PEP) and incidence of HIV seroconversion in a major North American cohort. PLoS ONE, 10(11), 1–10. https://doi.org/10.1371/journal.pone.0142534
Ting, D. S. W., Pasquale, L. R., Peng, L., Campbell, J. P., Lee, A. Y., Raman, R., Tan, G. S. W., Schmetterer, L., Keane, P. A., & Wong, T. Y. (2019). Artificial intelligence and deep learning in ophthalmology. British Journal of Ophthalmology, 103(2), 167–175. https://doi.org/10.1136/bjophthalmol-2018-313173
Walsh, S. L. F., Calandriello, L., Silva, M., & Sverzellati, N. (2018). Deep learning for classifying fibrotic lung disease on high-resolution computed tomography: a case-cohort study. The Lancet Respiratory Medicine, 6(11), 837–845. https://doi.org/10.1016/S2213-2600(18)30286-8
Wang, R., Pan, W., Jin, L., Li, Y., Geng, Y., Gao, C., Chen, G., Wang, H., Ma, D., & Liao, S. (2019). Artificial intelligence in reproductive medicine. Reproduction, 158(4), R139–R154. https://doi.org/10.1530/REP-18-0523
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Anderson Dillmann Groto; Cássio Marques Perlin; Sonia Mara de Andrade; Mayara Angélica Bolson Salamanca
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
