Tecnologias utilizadas em gerenciamento, predição e desfecho do tratamento das Disfagias
Tecnologias disruptivas passaram a facilitar a análise de variáveis, com o uso de aprendizado de máquina e tecnologia de Big Data, indicando os tratamentos e seus desfechos ao longo do tempo em grandes populações. Esta é a proposta dos trabalhos da “Medicina de Precisão” (Szolovits, 2019; Lobo, 2017 e Payne, et al., 2015) que se utilizam de tais proposições para otimizar o trabalho do profissional da ponta, que necessita de uma tomada de decisão rápida na análise dos casos clínicos, verificando quais propedêuticas são mais eficientes, pois se entende que tais medidas otimizam as respostas ao tratamento e seus desfechos.
O prognóstico da disfagia está diretamente relacionado à resposta ao tratamento proposto, assim como a presença de risco para o paciente (Altman et al., 2010). É possível utilizar escalas e protocolos que compreendam a evolução do paciente na trajetória do tratamento (Furkim e Sacco, 2008 e Padovani, 2010), assim como são robustos os trabalhos que compreendem a evolução da resposta ao tratamento fonoaudiológico em doenças como Acidente Vascular Cerebral - AVC (Boaden et al. 2017 e Banda et al., 2022), DP (Theodoros et al., 2019 e Palermo et al., 2009) Esclerose Lateral Amiotrófica - ELA (Kawai, Tsukuda, e Mochimatsu, 2013) Câncer de orofaringe e laringe (Moreira, Santos, e Palacios, 2020 e Denaro, Merlano e Russi, 2013), entre outras doenças, associando a utilização de tratamentos conservadores e até novos recursos de reabilitação (Sirivanich, 2009) e ainda compreendendo fatores relacionados à qualidade de vida como indicadores de desfecho (Lienhart et al., 2020).
O fonoaudiólogo hospitalar lida com prontuários eletrônicos e neles reside a possibilidade de coleta e armazenamento de dados precisa e organizada, e pesquisas começam a relacionar terapia, manejo, desfechos e tomada de decisão em disfagia (Lienhart et al., 2020). Algumas iniciativas começam a desenhar a utilização de protocolos multiprofissionais com condutas institucionais pré-definidas (Schüssler-Fiorenza, 2019 e Kaizer, Spiridigliozzi e Hunt, 2012) ou uso de algoritmos que facilitem a tomada rápida e acertada de decisão, prevendo as possíveis complicações de populações específicas e desfechos, otimizando sua resposta ao tratamento e facilitando o uso de recursos (Lienhart et al., 2020).
Quon, et al. (2017) usaram aprendizado de máquina a fim de comparar resultados de terapia quantificando a relação entre respostas de dois questionários de autoavaliação preenchidos prospectivamente e pertencentes ao banco de dados institucional. Foram identificados 89 indivíduos com câncer de cabeça e pescoço, que passaram por radioterapia e foram atendidos em um período de 6 meses, Foi realizada análise categorizada não supervisionada de aprendizado de máquina para estabelecer sua validade. Os escores dos questionários correlacionaram-se moderadamente, mas de forma significativa, gerando informações de indicadores de qualidade de terapia da disfagia.
Relacionar dados de imagem fotográfica com diagnóstico de disfagia, permitiu a Sakai et al. (2021) realizar uma triagem para disfagia inovadora e que apresentou alto desempenho na predição do agravo: 308 pacientes idosos admitidos em um hospital de cuidados pós-agudos, realizaram como triagem de disfagia sarcopênica o registro e análise fotográfica da região anterior do pescoço. As características da imagem estudada incluíram os valores de pixel e o número de pontos. Foram construídos modelos de rastreamento utilizando as características da imagem, idade, sexo e índice de massa corporal. O desempenho de predição de cada modelo foi investigado.
Su et al. (2017) propuseram um modelo híbrido de classificação, considerado de boa acurácia, baseado em RNA capaz de extrair efetivamente características variadas de dados clínicos associando a dados da escala diagnóstica de disfagia e concluíram que a acurácia do modelo foi possível devido a variabilidade e a quantidade de informações coletadas e analisadas.
Lienhart et al. (2020), utilizaram os conhecimentos da IA para analisar os fatores preditores de risco para disfagia em pacientes hospitalizados. Os autores descreveram que os modelos desenvolvidos superaram os modelos publicados anteriormente e os algoritmos por eles desenvolvidos previram com acurácia a disfagia em pacientes hospitalizados. Eles ainda referiram a importância de implementar modelos computacionais no fluxo do trabalho clínico, determinando os benefícios e maior eficiência ao tratamento.
Hollinghurst e Smithard (2022) realizaram um estudo de coorte longitudinal transversal em larga escala no país de Gales, através de coleta e análise de dados ao longo de 10 anos com um montante de 400.000 idosos. Os pesquisadores investigaram associações entre disfagia e idade, fragilidade, gênero e privação utilizando um banco de dados anonimizado para identificar diagnósticos de disfagia na atenção primária e secundária. Foram utilizados testes e regressões logísticas multivariadas para verificar associações entre o diagnóstico de disfagia e as variáveis, confirmando a hipótese da associação da disfagia com o aumento da idade e a fragilidade. Uma associação não relatada anteriormente com privação foi identificada pelos autores.
Usando dados da Chinese Stroke Center Alliance, Liang et al. (2022), realizaram um por meio de um estudo multicêntrico, prospectivo e consecutivo de inclusão de pacientes, análises para identificar características do paciente e do hospital associadas ao rastreamento de disfagia e pneumonia durante a hospitalização aguda. Dos 790.811 pacientes internados em 1476 hospitais, 622.718 (78,7%) realizaram triagem para disfagia e 64.398 (8,1%) desenvolveram pneumonia. Pacientes em unidades de AVC foram mais propensos a serem rastreados para disfagia do que aqueles que não estavam em unidades de AVC, enquanto pacientes com história pregressa de AVC tiveram menor probabilidade de serem rastreados. O rastreamento de disfagia e a admissão em unidades de AVC foram significativamente associados a um maior risco para pneumonia, visto que quase um em cada cinco pacientes com AVC isquêmico agudo na Chinese Stroke Center Alliance não foi rastreado para disfagia.
Zhang et al.(2022) investigaram a eficácia do rastreamento da disfagia e posterior reabilitação da deglutição em idosos com risco de desnutrição. Com base na Chinese Stroke Center Alliance os pesquisadores compararam os resultados adversos intra-hospitalares entre pacientes com AVC (incluindo acidente vascular cerebral isquêmico, hemorragia intracraniana e hemorragia subaracnóidea) com mais de 70 anos com e sem triagem de disfagia. O desfecho primário foi mortalidade hospitalar por todas as causas.
Os desfechos secundários foram compostos de alta sem cuidados para o manejo da disfagia ou morte hospitalar. Entre 365.530 pacientes com AVC ≥ 70 anos com risco de desnutrição, foi realizado rastreamento documentado de disfagia em 288.764 (79,0%) participantes. Destes, 41.482 (14,37%) pacientes apresentaram disfagia, e 33.548 (80,87%) pacientes receberam reabilitação da deglutição. Um total de 1.694 (0,46%) pacientes apresentou óbito hospitalar.
O rastreamento de disfagia foi associado a um baixo risco de mortalidade por todas as causas em pacientes com AVC. Comparados aos pacientes com disfagia que não receberam reabilitação da deglutição, os pacientes que realizaram reabilitação da deglutição apresentaram risco reduzido de morte hospitalar. Além disso, a triagem da disfagia apresentou menor risco para o de morte hospitalar. Os pesquisadores ressaltam que pesquisas futuras devem se concentrar na melhoria da qualidade dos cuidados para o manejo da disfagia para melhorar os resultados dos pacientes.
Lee et al. (2020) realizaram um estudo com o objetivo explorar de fatores relacionados a prognósticos clínicos e radiológicos para a recuperação da deglutição a longo prazo em pacientes com disfagia pós-AVC a fim de desenvolver e validar um modelo prognóstico, utilizando um algoritmo de aprendizado de máquina.
Foram revisados, retrospectivamente, prontuários de pacientes consecutivos (N=137), com acidente vascular cerebral isquêmico agudo encaminhados para exames de deglutição, que foram monitorados nos 6 meses após a lesão.
Os desfechos foram categorizados como positivo (sem necessidade de alimentação por sonda ou modificação da dieta por 6 meses) e negativos (alimentação por sonda ou modificação da dieta por 6 meses) para a recuperação da função de deglutição. O estudo verificou que 17,5% pacientes apresentaram disfagia persistente nos primeiros 6 meses, com duração média de 65,6 dias.
O tempo de duração da disfagia pós-AVE diferiu significativamente conforme o estado de alimentação por sonda, escala clínica de disfagia, sexo, maior ou menor gravidade da lesão de substância branca, presença de lesões bilaterais na coroa radiada, gânglios da base ou cápsula interna. Dentre esses fatores, o estado de alimentação por sonda, as lesões bilaterais e a escala clínica de disfagia foram fatores prognósticos significativos em análise multivariada utilizando modelos de regressão.
Outro estudo também acompanhou a evolução de pacientes com o objetivo de compreender fatores de predição sistemáticos para predizer a recuperação da deglutição e a necessidade da via alternativa de alimentação. Galovic et al. (2019) desenvolveram e validaram um modelo prognóstico por meio de um estudo de coorte prospectivo realizado entre 2011 e 2018.
O modelo prognóstico final, o Predictive Swallowing Score, incluiu 5 variáveis: idade, gravidade do AVE na admissão, localização da lesão, risco inicial de aspiração e comprometimento inicial da ingestão oral, e está disponível na forma de aplicativo para smartphone, sendo considerado um instrumento prognóstico de fácil aplicação que prediz de forma confiável a recuperação da deglutição. Os autores acreditam que a tomada de decisão para a inserção sonda nasogástrica ou gastrostomia, após acidente vascular cerebral isquêmico, demonstra ser um passo importante em direção à medicina personalizada.
Martin-Martinez et al. (2022), consideraram que a disfagia orofaríngea é subdiagnosticada e o rastreamento atual é dispendioso, e desta forma, desenvolveram um sistema baseado em aprendizado de máquina que calculou o risco de DO a partir dos registros nos PEP de todos os idosos hospitalizados em um hospital geral. Através de um estudo observacional retrospectivo, os dados retirados do PEP da avaliação da deglutição, captados ao longo de 24 meses em pacientes internados no Hospital Mataró, estudou-se o poder preditivo para DO de 25.000 variáveis. O banco de dados incluiu 2809 pacientes idosos (idade média de 82,47 ± 9,33 anos), dependentes graves (Índice de Barthel 47,68 ± 31,90), com reinternações múltiplas (4,06 ± 7,52), onde 75,76% tinham DO. O modelo final de predição foi construído com métodos não-lineares.
O modelo final foi capaz de rastrear em 6 segundos todos os pacientes admitidos em um hospital de 419 leitos, identificando pacientes com maior risco de DO, fornecendo rastreamento preciso, sistemático e universal para DO em tempo real durante a admissão hospitalar de pacientes idosos, permitindo que as estratégias diagnósticas e terapêuticas mais adequadas sejam selecionadas para cada paciente.
Byeon (2019) et al. desenvolveram um modelo de predição baseado em algoritmo de máquina, considerando fatores de influência associados à qualidade de vida da deglutição como variáveis preditoras a fim de fornecer informações basais para melhorar a qualidade de vida de idosos disfágicos. Um total de 33,9% dos sujeitos apresentou diminuição na qualidade de vida em deglutição. O modelo de predição da qualidade de vida da deglutição para idosos, mostrou tanto fatores preventivos quanto fatores de risco.
Os fatores de risco foram uso de prótese dentária, presença de episódio de aspiração no último mês, ser economicamente inativo, ter renda familiar mensal média menor que 2 milhões de KRW, ter ensino fundamental completo ou inferior, sexo feminino, 75 anos ou mais, morar sozinho, necessitar de tempo para terminar uma refeição em média ≤15 min ou ≥40 min, apresentar depressão, estresse e comprometimento cognitivo.