Sistemas de apoio à decisão clínica em úlceras de pé diabético:revisão de escopo

Garces, Thiago Santos; Araújo, Açucena Leal de; Sousa, George Jó Bezerra; Cestari, Virna Ribeiro Feitosa; Florêncio, Raquel Sampaio; Mattos, Samuel Miranda; Damasceno, Lara Lídia Ventura; Santiago, Jênifa Cavalcante dos Santos; Pessoa, Vera Lucia Mendes de Paula; Pereira, Maria Lúcia Duarte; Moreira, Thereza Maria Magalhães

doi:10.1590/1980-220X-REEUSP-2023-0218pt

Acessibilidade / Reportar erro

Brasil

Revista da Escola de Enfermagem da USP

Español English

Brasil

Español English

sumário « anterior atual seguinte »

Sumário

REVISÃO • Rev. esc. enferm. USP 57 • 2023 • https://doi.org/10.1590/1980-220X-REEUSP-2023-0218pt copiar

Sistemas de apoio à decisão clínica em úlceras de pé diabético:revisão de escopo

Autoria SCIMAGO INSTITUTIONS RANKINGS

RESUMO

Objetivo:

Mapear as evidências científicas sobre uso de Sistemas de Apoio à Decisão Clínica no pé diabético.

Método:

Revisão de escopo fundamentada no JBI Manual for Evidence Synthesis e registrada na plataforma Open Science Framework. Realizaram-se buscas, em fontes primárias e secundárias, sobre protótipos e ferramentas informatizadas direcionadas à assistência ao paciente com pé diabético ou em risco de tê-lo, publicados em qualquer idioma ou período, em onze bases de dados e literatura cinza.

Resultados:

Foram identificados 710 estudos e, após critérios de elegibilidade, foram selecionados 23 que retratam o uso de sistemas de apoio à decisão no rastreio do pé diabético, predição do risco de úlceras e amputações, classificação do estágio de gravidade, decisão quanto ao plano de tratamento e avaliação da efetividade das intervenções, por meio do processamento de dados referentes a informações clínicas e sociodemográficas.

Conclusão:

Os sistemas especialistas destacam-se por resultados satisfatórios, com alta precisão e sensibilidade no que tange à orientação e qualificação do processo de tomada de decisão na prevenção e no cuidado ao pé diabético.

DESCRITORES
Diabetes Mellitus; Pé Diabético; Sistemas de Apoio a Decisões Clínicas; Revisão

	P	C	C
Extração	Pessoas com Diabetes Mellitus	Sistemas de Apoio à Decisão	Pé Diabético
Conversão	Diabetes Mellitus	Decision Support Systems	Diabetic Foot
Combinação	Diabetes Mellitus; Diabetes; Diabetic; Diabetic Patient	Decision Support Systems; Clinical Decision Support Systems; Clinical decision support; Specialist Systems	Diabetic Foot; Diabetic Feet; Diabetic Foot Ulcer
Construção	“Diabetes Mellitus” OR Diabetes OR Diabetic OR “Diabetic Patient”	“Decision Support Systems” OR “Clinical Decision Support Systems” OR “Clinical decision support” OR “Specialist Systems”	“Diabetic Foot” OR “Diabetic Feet” OR “Diabetic Foot Ulcer”
Uso	(“Diabetes Mellitus” OR Diabetes OR Diabetic OR “Diabetic Patient”) AND (“Decision Support Systems” OR “Clinical Decision Support Systems” OR “Clinical decision support” OR “Specialist Systems”) AND (“Diabetic Foot” OR “Diabetic Feet” OR “Diabetic Foot Ulcer”)

Nº	Autor/Ano/País/Revista	Objetivos	Tecnologia utilizada	Aplicabilidade clínica	Principais resultados
1.	Bender C, Cichosz SL, Malovini A, Bellazzi R, Pape-Haugaard L, Hejlesen O (2021)/Dinamarca/Journal of Diabetes Science and Technology(⁹9. Bender C, Cichosz SL, Malovini A, Bellazzi R, Pape-Haugaard L, Hejlesen O. Using case-based reasoning in a learning system: a prototype of a pedagogical nurse tool for evidence-based diabetic foot ulcer care. J Diabetes Sci Technol. 2021;16(2):454–9. doi: http://dx.doi.org/10.1177/1932296821991127. PubMed PMID: 33583205. https://doi.org/10.1177/1932296821991127... )	Construir um protótipo de uma ferramenta pedagógica interativa, utilizando o raciocínio baseado em casos, para o cuidado da úlcera do pé diabético baseado em evidências.	Aprendizado de máquina/Raciocínio Baseado em Casos(⁹9. Bender C, Cichosz SL, Malovini A, Bellazzi R, Pape-Haugaard L, Hejlesen O. Using case-based reasoning in a learning system: a prototype of a pedagogical nurse tool for evidence-based diabetic foot ulcer care. J Diabetes Sci Technol. 2021;16(2):454–9. doi: http://dx.doi.org/10.1177/1932296821991127. PubMed PMID: 33583205. https://doi.org/10.1177/1932296821991127... )	Ferramenta pedagógica direcionada ao enfermeiro para o cuidado e rastreio do pé diabético.	O protótipo é capaz de calcular uma pontuação de dissimilaridade que fornece uma medida quantitativa entre um novo caso e casos armazenados.
2.	Casal-Guisande M, Cerqueiro-Pequeño J, Comesaña-Campos A, Bouza-Rodríguez JB (2020)/Espanha/Diabetic Medicine(⁷7. Casal-Guisande M, Cerqueiro-Pequeño J, Comesaña-Campos A, Bouza-Rodríguez JB. Proposal of a methodology based on expert systems for the treatment of diabetic foot condition. TEEM’20. 2020;(21):491–6. doi: http://dx.doi.org/10.1145/3434780.3436625. https://doi.org/10.1145/3434780.3436625... )	Adaptar a metodologia baseada em sistemas especialistas ao acompanhamento de pacientes propensos a desenvolver feridas no pé diabético.	Aprendizado de máquina/Gerenciador de decisão suportado por inferência fuzzy(⁷7. Casal-Guisande M, Cerqueiro-Pequeño J, Comesaña-Campos A, Bouza-Rodríguez JB. Proposal of a methodology based on expert systems for the treatment of diabetic foot condition. TEEM’20. 2020;(21):491–6. doi: http://dx.doi.org/10.1145/3434780.3436625. https://doi.org/10.1145/3434780.3436625... )	Determinar o risco do desenvolvimento de pé diabético e avaliar a efetividade dos cuidados recebidos.	O sistema conta com a etapa inicial de coleta de dados, por meio da foto da lesão e preenchimento de um questionário sobre fatores de risco, seguidos pelo processamento das imagens (escala de Wagner), cálculo e pela modelagem dos resultados para interpretação destes e geração de alertas para tomada de decisão e aplicação do tratamento.
3.	Chappell FM, Crawford F, Horne M, Leese GP, Martin A, Weller D, et al. (2021)/Reino Unido/BMJ open Diabetes Research & Care(¹⁵15. Chappell FM, Crawford F, Horne M, Leese GP, Martin A, Weller D, et al. Development and validation of a clinical prediction rule for development of diabetic foot ulceration: an analysis of data from five cohort studies. BMJ Open Diabetes Res Care. 2021;9(1):e002150. doi: http://dx.doi.org/10.1136/bmjdrc-2021-002150. PubMed PMID: 34035053. https://doi.org/10.1136/bmjdrc-2021-0021... )	Desenvolver e validar uma regra de predição clínica para ulceração do pé em pessoas com diabetes.	Regra de Predição Clínica(¹⁵15. Chappell FM, Crawford F, Horne M, Leese GP, Martin A, Weller D, et al. Development and validation of a clinical prediction rule for development of diabetic foot ulceration: an analysis of data from five cohort studies. BMJ Open Diabetes Res Care. 2021;9(1):e002150. doi: http://dx.doi.org/10.1136/bmjdrc-2021-002150. PubMed PMID: 34035053. https://doi.org/10.1136/bmjdrc-2021-0021... )	Predizer o risco de ulceração do pé diabético através da análise térmica plantar por meio de imagens.	Os escores da regra de predição clínica (0, 1, 2, 3 e 4) retratam o risco de úlcera em dois anos de 2,4%, 6,0%, 14,0%, 29,2% e 51,1%, respectivamente. Constitui uma ferramenta simples que usa dados obtidos rotineiramente e ajuda na prevenção de úlceras a partir do direcionando do atendimento a pacientes com pontuação igual ou superior a 1.
4.	Crawford F, Bekker HL, Jovem M, Sheikh A (2010)/Reino Unido/Journal of Innovation in Health Informatics(¹⁶16. Crawford F, Bekker HL, Jovem M, Sheikh A. General practitioners’ and nurses’ experiences of using computerised decision support in screening for diabetic foot disease: implementing Scottish Clinical Information - Diabetes Care in routine clinical practice. J Inovation Health Inf. 2010;18(4):259–68. doi: http://dx.doi.org/10.14236/jhi.v18i4.781. https://doi.org/10.14236/jhi.v18i4.781... )	Compreender a visão dos profissionais da atenção primária em relação ao rastreamento da doença do pé diabético e sua experiência com o sistema SCI-DC.	Aprendizado de máquina(¹⁶16. Crawford F, Bekker HL, Jovem M, Sheikh A. General practitioners’ and nurses’ experiences of using computerised decision support in screening for diabetic foot disease: implementing Scottish Clinical Information - Diabetes Care in routine clinical practice. J Inovation Health Inf. 2010;18(4):259–68. doi: http://dx.doi.org/10.14236/jhi.v18i4.781. https://doi.org/10.14236/jhi.v18i4.781... )	Rastreio pé diabético.	O SCI-DC constitui um sistema de informação projetado para criar um registro eletrônico compartilhado para uso no cuidado de pacientes com diabetes mellitus. Foram visualizadas perspectivas favoráveis sobre o sistema, principalmente quanto a telas de triagem podal, transferência de informações da atenção primária para a secundária, redução da variabilidade na informação dos podólogos e fonte de informação para fins de auditoria.
5.	Crawford F, Cezard G, Chappell FM (2018)/Reino Unido/Diabetic Medicine(¹⁷17. Crawford F, Cezard G, Chappell FM, PODUS Group. The development and validation of a multivariable prognostic model to predict foot ulceration in diabetes using a systematic review and individual patient data meta-analyses. Diabet Med. 2018;35(11):1480–93. doi: http://dx.doi.org/10.1111/dme.13797. PubMed PMID: 30102422. https://doi.org/10.1111/dme.13797... )	Desenvolver e validar um modelo prognóstico de fatores de risco independentes para ulceração do pé em diabetes.	Regra de Predição Clínica(¹⁷17. Crawford F, Cezard G, Chappell FM, PODUS Group. The development and validation of a multivariable prognostic model to predict foot ulceration in diabetes using a systematic review and individual patient data meta-analyses. Diabet Med. 2018;35(11):1480–93. doi: http://dx.doi.org/10.1111/dme.13797. PubMed PMID: 30102422. https://doi.org/10.1111/dme.13797... )	Predizer o risco de ulceração do pé diabético através da análise térmica plantar por meio de imagens.	Foi elaborado um modelo prognóstico simples de três fatores de risco preditivos e independentes que se mostraram estatisticamente associados a úlcera de pé diabético: história de ulceração/incapacidade em sentir monofilamento de 10g/pelo menos um pulso ausente.
6.	Cruz-Vega I, Peregrina-Barreto H, Rangel-Magdaleno JJ, Ramires-Cortes MJ (2019)/Nova Zelândia/IEEE Xplore(¹⁸18. Cruz-Vega I, Peregrina-Barreto H, Rangel-Magdaleno JJ, Ramires-Cortes MJ. A comparison of intelligent classifiers of thermal patterns in diabetic foot. In: 2019 IEEE International Instrumentation and Measurement Technology Conference (I2MTC); 2019; Auckland, New Zealand. USA: IEEE; 2019. p. 1–6. doi: http://dx.doi.org/10.1109/I2MTC.2019.8827044 https://doi.org/10.1109/I2MTC.2019.88270... )	Comparar classificadores inteligentes de padrões térmicos do pé diabético de pacientes com diabetes mellitus e grupo-controle.	Aprendizado de máquina(¹⁸18. Cruz-Vega I, Peregrina-Barreto H, Rangel-Magdaleno JJ, Ramires-Cortes MJ. A comparison of intelligent classifiers of thermal patterns in diabetic foot. In: 2019 IEEE International Instrumentation and Measurement Technology Conference (I2MTC); 2019; Auckland, New Zealand. USA: IEEE; 2019. p. 1–6. doi: http://dx.doi.org/10.1109/I2MTC.2019.8827044 https://doi.org/10.1109/I2MTC.2019.88270... )	Predizer o risco de ulceração do pé diabético através da análise térmica plantar por meio de imagens.	Os resultados do uso do Support Vector Machine e multi-layer perception neural network na classificação de padrões de imagens médicas são de alta precisão e satisfatórios. No entanto, o uso do deep learning está ganhando força, dado aumento da precisão e dispensação da extração de características e segmentação de padrões.
7.	Gamage C, Wijesinghe I, Perera I (2019)/Sri Lanka/IEEE Xplore(¹⁹19. Gamage C, Wijesinghe I, Perera I. Automatic scoring of diabetic foot ulcers through Deep CNN based feature extraction with low rank matrix factorization. In: 2019 IEEE 19th International Conference on Bioinformatics and Bioengineering (BIBE); 2019; Athens, Greece. USA: IEEE; 2019. pp. 352–6. doi: http://dx.doi.org/10.1109/BIBE.2019.00069. https://doi.org/10.1109/BIBE.2019.00069... )	Usar uma rede neural convolucional para prever estágios de gravidade do pé diabético.	Aprendizado de máquina/Redes Neurais Convolucionais(¹⁹19. Gamage C, Wijesinghe I, Perera I. Automatic scoring of diabetic foot ulcers through Deep CNN based feature extraction with low rank matrix factorization. In: 2019 IEEE 19th International Conference on Bioinformatics and Bioengineering (BIBE); 2019; Athens, Greece. USA: IEEE; 2019. pp. 352–6. doi: http://dx.doi.org/10.1109/BIBE.2019.00069. https://doi.org/10.1109/BIBE.2019.00069... )	Classificação do estágio de gravidade do pé diabético de acordo com os critérios de Wagner, por meio de imagens.	O conjunto de dados de imagens de feridas foi subdivido para experimento com redes neurais convolucionais pré-treinadas. Dentre os algoritmos de decisão, as Redes Neurais Artificiais apresentam o melhor desempenho.
8.	Goulionis JE, Vozikis A, Benos VC, Nikolakis D (2010)/Grécia/ClinicoEconomics and Outcomes Research(²⁰20. Goulionis JE, Vozikis A, Benos VC, Nikolakis D. On the decision rules of cost-effective treatment for patients with diabetic foot syndrome. Clinicoecon Outcomes Res. 2010;2:121–6. doi: http://dx.doi.org/10.2147/CEOR.S11981. PubMed PMID: 21935321. https://doi.org/10.2147/CEOR.S11981... )	Avaliar a relação custo-benefício de dois tratamentos (tratamento médico e amputação) em pacientes com síndrome do pé diabético, mediante um algoritmo de decisão.	Algoritmo de decisão heurística, com base no processo de decisão de Markov, Parcialmente Observável(²⁰20. Goulionis JE, Vozikis A, Benos VC, Nikolakis D. On the decision rules of cost-effective treatment for patients with diabetic foot syndrome. Clinicoecon Outcomes Res. 2010;2:121–6. doi: http://dx.doi.org/10.2147/CEOR.S11981. PubMed PMID: 21935321. https://doi.org/10.2147/CEOR.S11981... )	Avaliação do custo-efetividade entre tratamento médico e amputação do pé diabético.	Foi criado um modelo simples para tomada de decisão econômica para o tratamento do pé diabético, explicitando duas vias entre os dados clínicos primários e a tomada de decisão médica precoce e eficiente. A utilização do modelo proporcionou melhoria da qualidade dos cuidados de saúde, tomada de decisão clínica com boa relação custo-benefício e adaptabilidade e transferibilidade através de diferentes ambientes de saúde.
9.	Das SK, Roy P, Mishra AK (2022)/Índia/Concurrency and Computation Practice and Experience(²¹21. Das SK, Roy P, Mishra AK. Fusion of handcrafted and deep convolutional neural network features for effective identification of diabetic foot ulcer. Concurr Comput. 2022;34(5):e6690. doi: http://dx.doi.org/10.1002/cpe.6690. https://doi.org/10.1002/cpe.6690... )	Realizar a fusão de recursos de alto nível, baseados em aprendizado de máquina, com base em redes neurais de baixo nível e convolucionais para melhorar o diagnóstico automático de pé diabético.	Aprendizado de máquina/Redes Neurais Convolucionais(²¹21. Das SK, Roy P, Mishra AK. Fusion of handcrafted and deep convolutional neural network features for effective identification of diabetic foot ulcer. Concurr Comput. 2022;34(5):e6690. doi: http://dx.doi.org/10.1002/cpe.6690. https://doi.org/10.1002/cpe.6690... )	Predizer o risco e diagnosticar a ulceração do pé diabético por meio de imagens.	A fusão de recursos de diferentes classificadores de aprendizagem de máquina, regressão logística, support vector machine e rede neural artificial mostraram melhores resultados de identificação do pé diabético. A regressão logística superou os resultados de todas as métricas de avaliação, alcançando 95,23% de sensibilidade e 95,37% de especificidade.
10.	Deschamps K, Matricali GA, Desmet D, Roosen P, Keijsers N, Nobel F, et al. (2016)/Bélgica/Gait & Posture(²²22. Deschamps K, Matricali GA, Desmet D, Roosen P, Keijsers N, Nobel F, et al. Efficacy measures associated to a plantar pressure-based classification system in diabetic foot medicine. Gait Posture. 2016;49:168–75. doi: http://dx.doi.org/10.1016/j.gaitpost.2016.07.009. PubMed PMID: 27427834. https://doi.org/10.1016/j.gaitpost.2016.... )	Determinar medidas de eficácia de um sistema de predição do pé diabético, baseado em pressão plantar, analisando a taxa de reconhecimento, sensibilidade, especificidade, bem como a utilidade deste na implementação de estratégias de distribuição de pressão.	Mapeamento total semiautomático de identificação de métricas regionais(²²22. Deschamps K, Matricali GA, Desmet D, Roosen P, Keijsers N, Nobel F, et al. Efficacy measures associated to a plantar pressure-based classification system in diabetic foot medicine. Gait Posture. 2016;49:168–75. doi: http://dx.doi.org/10.1016/j.gaitpost.2016.07.009. PubMed PMID: 27427834. https://doi.org/10.1016/j.gaitpost.2016.... )	Predizer o risco e diagnosticar a ulceração do pé diabético por meio de medidas de preensão plantar.	A comparação dos quatro grupos associados ao sistema de classificação destacou diferenças regionais distintas. A taxa geral de reconhecimento excedeu 90% para todos os subconjuntos de validação cruzada. A sensibilidade e especificidade dos quatro grupos associados ao sistema de classificação ultrapassaram, respectivamente, o nível 0,7 e 0,8.
11.	Farzi S, Kianian S, Rastkhadive I (2018)/Irã/IEEE Xplore(²³23. Farzi S, Kianian S, Rastkhadive I. Predicting serious diabetic complications using hidden pattern detection. In: 2017 IEEE 4th International Conference on Knowledge-Based Engineering and Innovation (KBEI); 2017; Tehran, Iran. USA: IEEE; 2018. p. 0063–8. doi: http://dx.doi.org/10.1109/KBEI.2017.8324885. https://doi.org/10.1109/KBEI.2017.832488... )	Identificar o melhor algoritmo de classificação para detectar as complicações do diabetes.	Aprendizado de máquina/Árvore de decisão, Random Forest, Multi-Layer Perception neural network, Naive Bayes, Radial Base Function(²³23. Farzi S, Kianian S, Rastkhadive I. Predicting serious diabetic complications using hidden pattern detection. In: 2017 IEEE 4th International Conference on Knowledge-Based Engineering and Innovation (KBEI); 2017; Tehran, Iran. USA: IEEE; 2018. p. 0063–8. doi: http://dx.doi.org/10.1109/KBEI.2017.8324885. https://doi.org/10.1109/KBEI.2017.832488... ).	Predizer o risco e diagnosticar a ulceração do pé diabético por meio de variáveis sociodemográficas e clínicas.	O algoritmo Random Forest mostrou melhor acurácia no diagnóstico do pé diabético, ficando à frente das redes neurais e do Naive Bayes com pior desempenho.
12.	Ferreira ACBH, Ferreira DD, Oliveira HC, Resende ICD, Anjos A, Lopes MHBDM (2020)/Brasil/Computers in Biology and Medicine(²⁴24. Ferreira ACBH, Ferreira DD, Oliveira HC, Resende ICD, Anjos A, Lopes MHBDM. Competitive neural layer-based method to identify people with high risk for diabetic foot. Comput Biol Med. 2020;120:103744. doi: http://dx.doi.org/10.1016/j.compbiomed.2020.103744. PubMed PMID: 32421649. https://doi.org/10.1016/j.compbiomed.202... )	Identificar pacientes com diabetes mellitus que apresentam alto risco de desenvolver pé diabético, por meio de uma técnica de aprendizado de máquina não supervisionada.	Aprendizado de máquina/Competitive neural layer-based method(²⁴24. Ferreira ACBH, Ferreira DD, Oliveira HC, Resende ICD, Anjos A, Lopes MHBDM. Competitive neural layer-based method to identify people with high risk for diabetic foot. Comput Biol Med. 2020;120:103744. doi: http://dx.doi.org/10.1016/j.compbiomed.2020.103744. PubMed PMID: 32421649. https://doi.org/10.1016/j.compbiomed.202... )	Predizer o risco e diagnosticar a ulceração do pé diabético por meio de variáveis sociodemográficas e clínicas.	O método apresentou acurácia de 90%, sensibilidade de 70% e especificidade de 100%. A utilização do método pode otimizar o trabalho da enfermagem por meio da triagem facilitada.
13.	Husers J, Hafer G, Heggemann J, Stefan W, Prysucha M, Dissemond J, Mooelleken M, Erfurt-Berge C, Hubner U (2022)/Alemanha/Studies in health technology and informatics(²⁵25. Husers J, Hafer G, Heggemann J, Wiemeyer S, John SM, Hubner U. Development and evaluation of a bayesian risk stratification method for major amputations in patients with diabetic foot ulcers. Stud Health Technol Inform. 2022;289:212–5. doi: http://dx.doi.org/10.3233/SHTI210897. PubMed PMID: 35062130. https://doi.org/10.3233/SHTI210897... )	Treinar um sistema de inteligência artificial e avaliar seu desempenho na detecção do pé diabético.	Aprendizado de máquina/Redes Neurais Convolucionais(²⁵25. Husers J, Hafer G, Heggemann J, Wiemeyer S, John SM, Hubner U. Development and evaluation of a bayesian risk stratification method for major amputations in patients with diabetic foot ulcers. Stud Health Technol Inform. 2022;289:212–5. doi: http://dx.doi.org/10.3233/SHTI210897. PubMed PMID: 35062130. https://doi.org/10.3233/SHTI210897... )	Identificar precocemente pacientes em risco de úlcera do pé diabético e, consequentemente, de amputação.	O treinamento do modelo mostrou convergência, com ausência de overfitting. O modelo final rendeu um score de 0,71 nas 108 imagens de validação, com sensibilidade 0,69 e precisão de 0,67, demonstrando validade satisfatória para classificar imagens de macerações para uso clínico na documentação de feridas.
14.	Husers J, Hafer G, Heggemann J, Wiemeyer S, John SM, Hubner U (2022)/Alemanha/Studies in health technology and informatics(²⁶26. Hüsers J, Hafer G, Heggemann J, Stefan W, Prysucha M, Dissemond J, et al. Automatic classification of diabetic foot ulcer images - a transfer-learning approach to detect wound maceration. Stud Health Technol Inform. 2022;289:301–4. doi: http://dx.doi.org/10.3233/SHTI210919. PubMed PMID: 35062152. https://doi.org/10.3233/SHTI210919... )	Desenvolver um esquema de estratificação que permita a classificação de pacientes com e sem risco de amputação maior.	Aprendizado de máquina/Método Bayesiano(²⁶26. Hüsers J, Hafer G, Heggemann J, Stefan W, Prysucha M, Dissemond J, et al. Automatic classification of diabetic foot ulcer images - a transfer-learning approach to detect wound maceration. Stud Health Technol Inform. 2022;289:301–4. doi: http://dx.doi.org/10.3233/SHTI210919. PubMed PMID: 35062152. https://doi.org/10.3233/SHTI210919... )	Predizer o risco de amputações em pacientes com pé diabético, com base em características sociodemográficas e clínicas.	O sistema revelou um adequado ponto de corte para o risco de amputação de 0,28. A sensibilidade e especificidade foram 0,83 e 0,66. Embora a especificidade seja baixa, o método de decisão inclui a maioria dos pacientes reais em risco.
15.	Jayashree J, Vijayashree J (2017)/Índia/International Journal of Civil Engineering and Technology(²⁷27. Jayashree J, Vijayashree J. Anticipating diabetic foot ulcer using generative fuzzy expert system framework. Int J Civil Engineering Tech. 2017 [cited 2022 Dec 24];8(12):642–50. Available from: https://research.vit.ac.in/publication/anticipating-diabetic-foot-ulcer-using-generative-fuzzy-expert https://research.vit.ac.in/publication/a... )	Propor um sistema de predição da gravidade do pé diabético, utilizando sistemas especialistas fuzzy.	Aprendizado de máquina/Gerenciador de decisão suportado por inferência fuzzy(²⁷27. Jayashree J, Vijayashree J. Anticipating diabetic foot ulcer using generative fuzzy expert system framework. Int J Civil Engineering Tech. 2017 [cited 2022 Dec 24];8(12):642–50. Available from: https://research.vit.ac.in/publication/anticipating-diabetic-foot-ulcer-using-generative-fuzzy-expert https://research.vit.ac.in/publication/a... )	Descrever gravidade do pé diabético.	Propõe-se um modelo para descrever a gravidade do pé diabético com base em sistemas especialistas fuzzy e na classificação de Wagner.
16.	Medeiros RA (2015)/Brasil(²⁸28. Medeiros RA. Sistema inteligente de monitoramento da prevenção do pé diabético. [Dissertação]. Mossoró: Universidade do Estado do Rio Grande do Norte; 2015 [cited 2022 Dec 24]. Available from: https://ppgcc.ufersa.edu.br/wp-content/uploads/sites/42/2014/09/rodrigo-azevedo-de-medeiros.pdf. https://ppgcc.ufersa.edu.br/wp-content/u... )	Desenvolver um Sistema Inteligente de Monitoramento da Prevenção do Pé Diabético.	Aprendizado de máquina(²⁸28. Medeiros RA. Sistema inteligente de monitoramento da prevenção do pé diabético. [Dissertação]. Mossoró: Universidade do Estado do Rio Grande do Norte; 2015 [cited 2022 Dec 24]. Available from: https://ppgcc.ufersa.edu.br/wp-content/uploads/sites/42/2014/09/rodrigo-azevedo-de-medeiros.pdf. https://ppgcc.ufersa.edu.br/wp-content/u... )	Acompanhamento e autocuidado do pé diabético.	O SIM2PeD consiste em uma plataforma integrada com dispositivo móvel de captura de dados dos indivíduos para acompanhamento da equipe médica e alertas referentes aos cuidados. Após a captura, as informações são repassadas ao sistema especialista que gera recomendações a partir dos cuidados respondidos. Os experimentos realizados em ambiente real revelaram desempenho satisfatório e adequado para o monitoramento remoto de atividades de autocuidado com os pés.
17.	Nair HKR, Kaur G (2021)/Malásia/Wounds International(²⁹29. Nair HKR, Kaur G. Using the diabetic foot ulcer aetiology-specific T.I.M.E. clinical decision support tool to promote consistent holistic wound management and eliminate variation in practice. Wounds International. [cited 2022 Dec 23] 2021;12(3):38–45. Available from: https://www.woundsinternational.com/resources/details/using-diabetic-foot-ulcer-aetiologyspecific-time-clinical-decision-support-tool-promote-consistent-holistic-wound-management-and-eliminate-variation-practice https://www.woundsinternational.com/reso... )	Descrever a experiência do uso da ferramenta TIME em pacientes com pé diabético.	Fluxograma norteador(²⁹29. Nair HKR, Kaur G. Using the diabetic foot ulcer aetiology-specific T.I.M.E. clinical decision support tool to promote consistent holistic wound management and eliminate variation in practice. Wounds International. [cited 2022 Dec 23] 2021;12(3):38–45. Available from: https://www.woundsinternational.com/resources/details/using-diabetic-foot-ulcer-aetiologyspecific-time-clinical-decision-support-tool-promote-consistent-holistic-wound-management-and-eliminate-variation-practice https://www.woundsinternational.com/reso... )	Decidir o plano de tratamento (prepação do leito da ferida, seleção do curativo e gerenciamento).	Ferramenta de suporte à decisão clínica baseada na preparação do leito da ferida, com vistas à decisão do plano de tratamento, de acordo com a etiologia. A ferramenta facilitou a tomada de decisão, orientação e unificação sobre o tratamento adequado, permitindo uma abordagem sistemática e comunicação entre os profissionais.
18.	Nguyen G, Agu E, Tulu B, Strong D, Mombini H, Pedersen P, et al. (2020)/EUA/Smart Health(³⁰30. Nguyen G, Agu E, Tulu B, Strong D, Mombini H, Pedersen P, et al. Machine learning models for synthesizing actionable care decisions on lower extremity wounds. Smart Health. 2020;18:100139. doi: http://dx.doi.org/10.1016/j.smhl.2020.100139. https://doi.org/10.1016/j.smhl.2020.1001... )	Explorar classificadores de aprendizado de máquina para gerar decisões acionáveis no tratamento de feridas.	Aprendizagem de máquina/Gradient Boosted Machine/Support Vector Machine(³⁰30. Nguyen G, Agu E, Tulu B, Strong D, Mombini H, Pedersen P, et al. Machine learning models for synthesizing actionable care decisions on lower extremity wounds. Smart Health. 2020;18:100139. doi: http://dx.doi.org/10.1016/j.smhl.2020.100139. https://doi.org/10.1016/j.smhl.2020.1001... )	Decidir plano de tratamento do pé diabético por meio de imagens.	O Gradient Boosted Machine superou outros algoritmos de decisão, alcançando 81% de precisão, mediante recursos visuais e textuais. As decisões foram (1) continuar tratamento, (2) solicitar mudança no tratamento e (3) encaminhar para tratamento especializado.
19.	Peleg M, Shachak A, Wang D, Karnieli E (2009)/Israel/International Journal of Medical Informatics(³¹31. Peleg M, Shachak A, Wang D, Karnieli E. Using multi-perspective methodologies to study users’ interactions with the prototype front end of a guideline-based decision support system for diabetic foot care. Int J Med Inform. 2009;78(7):482–93. doi: http://dx.doi.org/10.1016/j.ijmedinf.2009.02.008. PubMed PMID: 19328739. https://doi.org/10.1016/j.ijmedinf.2009.... )	Desenvolver um protótipo de sistema de apoio à decisão baseado em diretrizes para auxiliar no manejo do pé diabético.	Fluxograma norteador(³¹31. Peleg M, Shachak A, Wang D, Karnieli E. Using multi-perspective methodologies to study users’ interactions with the prototype front end of a guideline-based decision support system for diabetic foot care. Int J Med Inform. 2009;78(7):482–93. doi: http://dx.doi.org/10.1016/j.ijmedinf.2009.02.008. PubMed PMID: 19328739. https://doi.org/10.1016/j.ijmedinf.2009.... )	Predizer o risco, diagnosticar e tratar a ulceração do pé diabético, com base em diretrizes.	Os usuários tiveram uma resposta positiva ao protótipo, em termos de clareza de design, interação e facilidade de uso. A amostra expressou clara intenção quanto ao uso do sistema no futuro, para auxiliar no tratamento, nos encaminhamentos, na estratificação do risco e no acompanhamento.
20.	Peng B, Min R, Liao Y, Yu A (2021)/China/Journal of Diabetes Research(³²32. Peng B, Min R, Liao Y, Yu A. Development of predictive nomograms for clinical use to quantify the risk of amputation in patients with diabetic foot ulcer. J Diabetes Res. 2021;2021:6621035. doi: http://dx.doi.org/10.1155/2021/6621035. PubMed PMID: 33511218. https://doi.org/10.1155/2021/6621035... )	Determinar a precisão do novo modelo na previsão do risco de amputações de membros inferiores no pé diabético.	Fluxograma norteador(³²32. Peng B, Min R, Liao Y, Yu A. Development of predictive nomograms for clinical use to quantify the risk of amputation in patients with diabetic foot ulcer. J Diabetes Res. 2021;2021:6621035. doi: http://dx.doi.org/10.1155/2021/6621035. PubMed PMID: 33511218. https://doi.org/10.1155/2021/6621035... )	Predizer o risco de amputação do pé diabético por meio de variáveis clínicas.	Após identificar os principais fatores preditivos de pé diabético, foi realizada uma regressão logística para rastrear os fatores independentes de amputação que foram aplicados na construção de um modelo de predição. A área sob a curva foi de 0,876, e a curva de calibração corrigida do normograma apresentou boa capacidade de ajuste para predição do risco de amputação. A curva de análise de decisão indicou que o modelo foi mais prático e preciso quando o limiar de risco estava entre 6 e 91%.
21.	Schafer Z, Mathisen A, Svendsen K, Engberg S, Thomsen RT, Kirketerp-Moler K (2021)/Dinamarca/Frontiers in Medicine(³³33. Schafer Z, Mathisen A, Svendsen K, Engberg S, Thomsen RT, Kirketerp-Moler K. Toward machine-learning-based decision support in diabetes care: a risk stratification study on diabetic foot ulcer and amputation. Front Med (Lausanne). 2021;7:601602. doi: http://dx.doi.org/10.3389/fmed.2020.601602. PubMed PMID: 33681236. https://doi.org/10.3389/fmed.2020.601602... )	Compreender os fatores de risco de pé diabético e amputação entre pacientes com diabetes, por meio de dados dos registros nacionais em saúde e aprendizagem de máquina.	Aprendizado de máquina(³³33. Schafer Z, Mathisen A, Svendsen K, Engberg S, Thomsen RT, Kirketerp-Moler K. Toward machine-learning-based decision support in diabetes care: a risk stratification study on diabetic foot ulcer and amputation. Front Med (Lausanne). 2021;7:601602. doi: http://dx.doi.org/10.3389/fmed.2020.601602. PubMed PMID: 33681236. https://doi.org/10.3389/fmed.2020.601602... )	Predizer o risco de ulceração e amputação do pé diabético por meio de variáveis sociodemográficas e clínicas.	O risco de ulceração e amputação é aumentado em pacientes com diabetes e complicações cardiovasculares, doença arterial periférica, neuropatia e complicações renais crônicas. O aprendizado de máquina mostrou-se útil para avaliação dos fatores de risco para ulceração e amputação, com base em dados secundários.
22.	Schoen DE, Glance DG, Thompson SC (2015)/Austrália/Journal of Foot and Ankle Research(³3. Schoen DE, Glance DG, Thompson SC. Clinical decision support software for diabetic foot risk stratification: development and formative evaluation. J Foot Ankle Res. 2015;8(1):73. doi: http://dx.doi.org/10.1186/s13047-015-0128-z. PubMed PMID: 26692903. https://doi.org/10.1186/s13047-015-0128-... )	Compreender opiniões e experiências durante o desenvolvimento e avaliações de uma ferramenta eletrônica de estratificação de risco de pé diabético, com base em diretrizes.	Aprendizado de máquina/Software(³3. Schoen DE, Glance DG, Thompson SC. Clinical decision support software for diabetic foot risk stratification: development and formative evaluation. J Foot Ankle Res. 2015;8(1):73. doi: http://dx.doi.org/10.1186/s13047-015-0128-z. PubMed PMID: 26692903. https://doi.org/10.1186/s13047-015-0128-... )	Predizer o risco de ulceração com base em variáveis clínicas.	A ferramenta de risco integra uma avaliação simples prontamente disponível em um ambiente clínico e reflete as diretrizes australianas atuais, o direcionamento do exame dos pés e a investigação de fatores preditores, tais como amputação/ulceração anterior, deformidade, presença de pulsos e neuropatia periférica.
23.	Wijesinghe I, Gamage C, Perera I, Chitranjan C (2019)/Sri Lanka/IEEE Xplore(³⁴34. Wijesinghe I, Gamage C, Perera I, Chitranjan C. A smart telemedicine system with deep learning to manage diabetic retinopathy and foot ulcers. In 2019 Moratuwa Engineering Research Conference (MERCon); 2019; Moratuwa, Sri Lanka. USA: IEEE; 2019. p. 686–91. doi: http://dx.doi.org/10.1109/MERCon.2019.8818682. https://doi.org/10.1109/MERCon.2019.8818... )	Propor um protótipo de um sistema autônomo para orientar o diagnóstico e tratamento do pé diabético.	Aprendizado de máquina(³⁴34. Wijesinghe I, Gamage C, Perera I, Chitranjan C. A smart telemedicine system with deep learning to manage diabetic retinopathy and foot ulcers. In 2019 Moratuwa Engineering Research Conference (MERCon); 2019; Moratuwa, Sri Lanka. USA: IEEE; 2019. p. 686–91. doi: http://dx.doi.org/10.1109/MERCon.2019.8818682. https://doi.org/10.1109/MERCon.2019.8818... )	Predizer o risco e diagnosticar a ulceração do pé diabético.	O sistema consiste em módulos baseados em conhecimento para classificação baseada em nível de gravidade, suporte à decisão clínica e detecção de úlceras de pé quase em tempo real e triagem. A pontuação média de usabilidade foi de 88,5, revelando-se boa, mas não excepcional.

Universidade de São Paulo, Escola de Enfermagem Av. Dr. Enéas de Carvalho Aguiar, 419 , 05403-000 São Paulo - SP/ Brasil, Tel./Fax: (55 11) 3061-7553, - São Paulo - SP - Brazil
E-mail: reeusp@usp.br

Acompanhe os números deste periódico no seu leitor de RSS

[1] Autor correspondente: Thiago Santos Garces, Av. Dr. Silas Munguba, 1700, Itaperi, 60714-903 – Fortaleza, CE, Brasil. thiagogarces0812@hotmail.com