PE-038 Elementos importantes no processamento e análise de dados de prontuários eletrônicos com inteligência artificial para gerar evidências de mundo real
PE-038 Elementos importantes no processamento e análise de dados de prontuários eletrônicos com inteligência artificial para gerar evidências de mundo real
Tipo de documento
Artigo
Descrição
Artigo científico publicado no Jornal de Assistência Farmacêutica e Farmacoeconomia (JAFF)
Fonte
JAFF
Ano de publicação
2025
Referência (Vancouver)
Belli KC, Baulé CP, Rodriguez JPM, Morais RF. PE-038 Elementos importantes no processamento e análise de dados de prontuários eletrônicos com inteligência artificial para gerar evidências de mundo real. J Assist Farmac Farmacoecon. 2024;9(Suppl 3).
PE-038 Key elements in processing and analyzing electronic health record data with artificial intelligence to generate real-world evidence
Document type
Article
Description
Scientific article published in the Journal of Pharmaceutical Care and Pharmacoeconomics (JAFF)
Source
JAFF
Publication year
2025
Reference (Vancouver)
Belli KC, Baulé CP, Rodriguez JPM, Morais RF. PE-038 Elementos importantes no processamento e análise de dados de prontuários eletrônicos com inteligência artificial para gerar evidências de mundo real. J Assist Farmac Farmacoecon. 2024;9(Suppl 3).
Introdução: Os prontuários eletrônicos de saúde (EHRs) apresentam um enorme potencial para se tornar a base fundamental para o processamento e análise de dados em larga escala no sistema de saúde brasileiro. A aplicação de inteligência artificial (IA) no processamento dos dados amplifica esse potencial, oferecendo insights valiosos e otimizando a tomada de decisões. Objetivo: Avaliar os elementos importantes no processamento de dados de EHRs com ferramentas de IA, para garantir a qualidade (validade interna e externa) das análises de evidências de mundo real (RWE). Material e Método: Realizamos uma revisão narrativa da literatura para verificar os principais elementos a serem priorizados durante o processamento de dados de EHRs e o seu uso com IA nas análises RWE. Os principais elementos encontrados na literatura foram resumidos de forma qualitativa e são apresentados a seguir. Resultados: A seguir serão descritos os principais elementos encontrados na literatura. Qualidade dos dados, são necessários processos que garantam a precisão, integridade e consistência dos dados processados. Padronização dos dados e interoperabilidade, com terminologias e códigos padronizados ao longo de todo o processamento e análise, a IA pode mapear e converter diferentes terminologias para um padrão comum, facilitando a interoperabilidade entre sistemas de EHRs de diferentes instituições. Segurança e privacidade, deve-se garantir a proteção dos dados contra acessos não autorizados e seguir os regulamentos vigentes. Para completar os dados, devem-se criar rotinas para que todos os dados estejam disponíveis para as análises. Temporalidade, deve-se processar de forma adequada os registros de data e hora dos EHRs para acompanhamento longitudinal dos pacientes. Curadoria dos dados, instituições/grupos responsáveis devem reportar os processos de limpeza, normalização e validação dos dados nos relatórios/plataformas. Contexto Clínico, EHRs utilizados devem estar de acordo com o escopo necessário para responder à pergunta de RWE elaborada previamente. Caracterização da origem dos dados, os bancos de dados, e as análises derivadas dos mesmos, deverão contemplar informações básicas para caracterização do contexto em que foram originalmente processados. Acessibilidade e usabilidade, os sistemas baseados em IA podem facilitar o acesso aos dados processados, oferecendo interfaces intuitivas e visualizações interativas para os usuários. Conclusões: Os EHRs são fundamentais para gerar RWE devido à sua captura abrangente de características dos pacientes na prática dos cuidados de saúde. O uso da IA no processamento e análises deverá refletir de maneira precisa a diversidade de pacientes e condições em ambientes da vida real, melhorando a validade externa dos resultados apresentados. É crucial enfrentar os desafios para garantir a qualidade e a padronização dos dados, com o objetivo de garantir a confiabilidade e reprodutibilidade das RWEs geradas com IA a partir de análises em larga escala de EHRs.
O registro foi originalmente publicado em português. A versão em inglês foi traduzida com o apoio de inteligência artificial.
Abstract
Introduction: Electronic health records (EHRs) have enormous potential to become the fundamental basis for large-scale data processing and analysis in the Brazilian healthcare system. The application of artificial intelligence (AI) in data processing amplifies this potential, offering valuable insights and optimizing decision-making. Objective: To evaluate the important elements in EHR data processing with AI tools, to ensure the quality (internal and external validity) of real-world evidence (RWE) analyses. Material and Method: We conducted a narrative review of the literature to verify the main elements to be prioritized during EHR data processing and its use with AI in RWE analyses. The main elements found in the literature were summarized qualitatively and are presented below. Results: The main elements found in the literature will be described below. Data quality: processes that ensure the accuracy, integrity, and consistency of the processed data are necessary. Data standardization and interoperability, with standardized terminologies and codes throughout the processing and analysis, AI can map and convert different terminologies to a common standard, facilitating interoperability between EHR systems from different institutions. Security and privacy, data protection against unauthorized access must be guaranteed and current regulations must be followed. To complete the data, routines must be created so that all data is available for analysis. Temporality, EHR date and time records must be processed appropriately for longitudinal patient monitoring. Data curation, responsible institutions/groups must report the data cleaning, normalization, and validation processes in reports/platforms. Clinical Context, EHRs used must be in accordance with the scope necessary to answer the previously developed RWE question. Characterization of the data origin, databases, and analyses derived from them must include basic information to characterize the context in which they were originally processed. Accessibility and usability: AI-based systems can facilitate access to processed data by offering intuitive interfaces and interactive visualizations for users. Conclusions: EHRs are essential for generating RWE due to their comprehensive capture of patient characteristics in healthcare practice. The use of AI in processing and analysis should accurately reflect the diversity of patients and conditions in real-life settings, improving the external validity of the results presented. It is crucial to address the challenges of ensuring data quality and standardization, with the aim of ensuring the reliability and reproducibility of AI-generated RWEs from large-scale analyses of EHRs.
