Avaliação de Estratégias de Aprendizado Ativo para Classificação Automatizada de Relatórios de Eventos de Segurança do Paciente em Hospitais

Relatórios de eventos de segurança do paciente (PSE), que documentam incidentes que comprometem a segurança do paciente, são fundamentais para melhorar a qualidade da assistência à saúde. A classificação precisa desses relatórios é crucial para analisar tendências, orientar intervenções e apoiar o aprendizado organizacional. No entanto, esse processo é intensivo em mão de obra devido ao alto volume e à complexa taxonomia dos relatórios. Trabalhos anteriores mostraram que o aprendizado de máquina (ML) pode automatizar a classificação de relatórios PSE; no entanto, seu sucesso depende de grandes conjuntos de dados rotulados manualmente. Este estudo utiliza estratégias de Aprendizado Ativo (AL) com expertise humana para tornar o rotulagem de relatórios PSE mais eficiente. Utilizamos amostragem AL baseada em pool para consultar seletivamente relatórios para anotação humana, desenvolvendo um conjunto de dados robusto para treinar classificadores ML. Nossos experimentos demonstram que AL supera significativamente a amostragem aleatória em precisão em várias representações textuais, reduzindo a necessidade de amostras rotuladas em 24% a 69%. Com base nessas descobertas, sugerimos que a incorporação de estratégias AL na rotulagem de relatórios PSE pode efetivamente reduzir a carga de trabalho manual enquanto mantém alta precisão de classificação.