Aproveitando os processos de síntese de evidências de países de alta renda, a orientação da OMS e a inteligência artificial para agilizar a tomada de decisões baseadas em evidências na atenção primária de países de baixa renda
Aproveitando os processos de síntese de evidências de países de alta renda, a orientação da OMS e a inteligência artificial para agilizar a tomada de decisões baseadas em evidências na atenção primária de países de baixa renda
Tipo de documento
Resumo
Descrição
Resumo apresentado na conferência anual da Global Evidence Summit (GEN)
Fonte
GES
Ano de publicação
2024
Referência (Vancouver)
Cornick R, Mahoney S. Leveraging high-income-country evidence synthesis processes, WHO guidance and artificial intelligence to streamline evidence-informed decision-making in low-income country primary care. In: Abstracts of the 2nd Global Evidence Summit; 2024 Sep 10-13; Prague, Czech Republic. Cochrane Database Syst Rev. 2024;(1 Suppl 1):P167.
Leveraging high-income-country evidence synthesis processes, WHO guidance and artificial intelligence to streamline evidence-informed decision-making in low-income country primary care
Document type
Abstract
Description
Abstract presented at the Global Evidence Summit (GEN) annual conference
Source
GES
Publication year
2024
Reference (Vancouver)
Cornick R, Mahoney S. Leveraging high-income-country evidence synthesis processes, WHO guidance and artificial intelligence to streamline evidence-informed decision-making in low-income country primary care. In: Abstracts of the 2nd Global Evidence Summit; 2024 Sep 10-13; Prague, Czech Republic. Cochrane Database Syst Rev. 2024;(1 Suppl 1):P167.
Contexto: O volume de novas publicações científicas que um provedor de saúde precisa digerir para fornecer cuidados baseados em evidências é impressionante, particularmente na atenção primária, onde o escopo é abrangente. Em países de baixa e média renda (PBMRs), clínicos e formuladores de políticas encontram evidências sintetizadas nas orientações da OMS (mas somente em 2019, foi necessário escanear 155 publicações) e em produtos eletrônicos de suporte à decisão clínica (no entanto, os custos de assinatura e o foco em cenários bem financiados os tornam amplamente inacessíveis). Ao longo de 20 anos, desenvolvemos, implementamos e avaliamos uma ferramenta abrangente de suporte à decisão clínica (CDST), Practical Approach to Care Kit (PACK). Atualmente, ela oferece suporte à tomada de decisões de atenção primária na África do Sul, Brasil, Etiópia e Indonésia, tornando as evidências mais recentes acessíveis no ponto de atendimento. Objetivos: Desenvolver processos eficientes de criação e atualização de CDST que tornem evidências relevantes e atualizadas acessíveis aos formuladores de políticas de atenção primária e provedores de saúde de PBMRs. Métodos e resultados: Em colaboração com a Unidade de Serviços e Sistemas Clínicos da OMS, as Melhores Práticas do BMJ e as partes interessadas em saúde de países de baixa e média renda, utilizamos evidências sintetizadas e contribuições de usuários finais para elaborar 3.500 recomendações de CDST abrangendo mais de 500 sintomas e condições. Acessamos regularmente relatórios de alterações de monografias de Melhores Práticas que sinalizam conteúdo atualizado e examinamos o site IRIS da OMS em busca de novas publicações para identificar atualizações para o PACK. Para otimizar esses processos, desenvolvemos um assistente de inteligência artificial (IA) utilizando geração aumentada de recuperação (RAG), bancos de dados vetorizados, raspagem automatizada da web e sumarização de modelos de linguagem grande. Abordagens técnicas mais modernizadas melhoraram a curadoria e interrogação de fontes de evidências e a procedência dos dados. Atualmente, estamos validando o modelo de IA em relação às saídas do editor clínico para determinar a segurança em domínios de mérito científico, risco de dano ao paciente e geração de conteúdo inapropriado. A análise preliminar (antes da adoção do RAG) mostra 90-94% de sensibilidade e valor preditivo positivo em comparação com a inteligência humana. Conclusão: Atualizar mecanismos que alavancam processos de síntese de evidências de países de alta renda e eventos de publicação da OMS fornecem uma abordagem viável para manter o conteúdo abrangente do CDST do PACK. Parece que um modelo de assistente de IA tem potencial para aumentar nossa capacidade de acompanhar a rotatividade de evidências. Essa abordagem pode ajudar a lidar com as desigualdades no acesso a evidências, garantindo que formuladores de políticas de saúde, provedores e pacientes de países de baixa e média renda recebam as evidências mais recentes e relevantes para dar suporte à atenção primária.
Notas
O registro foi originalmente publicado em inglês. A versão em português foi traduzida com o apoio de inteligência artificial.
Abstract
Background: The volume of new scientific publications a healthcare provider needs to digest to deliver evidence-based care is overwhelming, particularly in primary care, where the scope is comprehensive. In low- and middle-income countries (LMICs), clinicians and policymakers find synthesized evidence in WHO guidance (but in 2019 alone, needed to scan 155 publications) and in electronic clinical decision support products (however subscription costs and well-resourced setting focus make these largely inaccessible). Over 20 years, we developed, implemented, and evaluated a comprehensive clinical decision support tool (CDST), Practical Approach to Care Kit (PACK). It currently supports primary care decision-making in South Africa, Brazil, Ethiopia and Indonesia, making latest evidence accessible at point-of-care. Objectives: To develop efficient CDST creation and updating processes that make relevant, up-to-date evidence accessible to LMIC primary care policymakers and healthcare providers. Methods: and results: In collaboration with WHO’s Clinical Services and Systems Unit, BMJ’s Best Practice and LMIC healthcare stakeholders, we drew on synthesised evidence and end-user input to craft 3500 CDST recommendations covering over 500 symptoms and conditions. We regularly access Best Practice monograph change reports which flag updated content and scan WHO’s IRIS website for new publications to identify updates for PACK. To optimise these processes, we developed an artificial intelligence (AI) assistant utilising retrieval augmented generation (RAG), vectorised databases, automated web scraping and large language model summarisation. More modernised technical approaches have improved evidence source curation and interrogation and data provenance. We are currently cross-validating the AI model against clinical editor outputs to determine safety across domains of scientific merit, risk of patient harm and inappropriate content generation. Preliminary analysis (prior to adoption of RAG) shows 90-94% sensitivity and positive predictive value compared to human intelligence. Conclusion: Updating mechanisms that leverage high-income country evidence synthesis processes and WHO publication events provide a feasible approach to maintaining PACK’s comprehensive CDST content. It appears that an AI assistant model has potential to augment our ability to keep up with the churn of evidence. This approach could help address inequities in access to evidence, ensuring LMIC healthcare policymakers, providers and patients receive latest, relevant evidence to support primary care
Notes
The record was originally published in English. The Portuguese version was translated with the support of artificial intelligence.
