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