Can-SAVE: Deploying Low-Cost and Population-Scale Cancer Screening via Survival Analysis Variables and EHR

1. Declaração do Problema

O rastreamento de câncer enfrenta um gargalo crítico: os métodos tradicionais são caros, intensivos em mão de obra e difíceis de escalar para níveis populacionais. Embora a IA tenha demonstrado promessa na detecção de câncer, a maioria dos sistemas existentes depende de dados especializados (genética, biomarcadores, pesquisas de estilo de vida) ou infraestrutura complexa (imagem, PLN), tornando-os impraticáveis para implantação generalizada em sistemas de saúde pública com recursos limitados.

Há uma lacuna significativa entre os avanços teóricos da IA e a utilidade clínica. As soluções existentes frequentemente falham em utilizar efetivamente os Prontuários Eletrônicos de Saúde (EHR) rotineiros para estratificação de risco em toda a população sem exigir coleta de dados além dos códigos padrão de serviços médicos (CID-10) e históricos de consultas. O desafio é criar um sistema que seja:

• De baixo custo: Não requer hardware especializado ou biomarcadores.
• Escalável: Capaz de processar milhões de pacientes.
• Agnóstico a dados: Funciona com dados EHR padrão disponíveis em quase qualquer clínica.

2. Metodologia: O Framework Can-SAVE

O Can-SAVE é um sistema de IA leve projetado para classificar riscos de câncer em toda a população com base apenas em eventos rotineiros do histórico médico (diagnósticos e códigos de serviço). A inovação central reside na integração de saídas de Análise de Sobrevivência em um framework de Gradient Boosting.

A. Formulação do Problema

A tarefa é enquadrada como um problema de classificação binária com restrições temporais:

• Entrada: O EHR de um paciente ($Q_i$) contendo eventos médicos ordenados cronologicamente (códigos CID-10, códigos de serviço, datas).
• Alvo: Prever se um diagnóstico de câncer (CID-10 C00-C97) ocorrerá dentro dos próximos 12 meses ($t_{pred}$ a $t_{pred} + 12M$).
• Objetivo: Maximizar a classificação de pacientes de alto risco para priorizar recursos de rastreamento limitados.

B. O Pipeline de Três Estágios

1. Engenharia de Recursos:

   • Gera mais de 700 recursos candidatos a partir de dados EHR brutos.
   • Categorias incluem: Socio-demográficos (idade, sexo), Padrões temporais (frequência de consultas, sazonalidade), Utilização clínica (razões diagnóstico-serviço) e Frequências de eventos médicos (contagens por grupo CID-10).

2. Construção de Recursos de Sobrevivência (A Novidade):

   • Em vez de usar dados EHR brutos diretamente para modelagem de sobrevivência, o sistema extrai estatísticas de sobrevivência em nível populacional e personalizadas para servir como recursos para o classificador final.
   • Nível Populacional: Usa estimadores de Kaplan-Meier para calcular probabilidades de sobrevivência gerais ($\hat{S}_{KM}$) e probabilidades de sobrevivência estratificadas por sexo. Também calcula "gradientes de risco" (a mudança na probabilidade de sobrevivência entre a idade $t$ e $t+1$).
   • Personalizado: Usa um modelo de Tempo de Falha Acelerado (AFT) para gerar trajetórias de sobrevivência e gradientes de risco específicos para o indivíduo, baseados no histórico específico de covariáveis do paciente.

3. Integração com Gradient Boosting:

   • As saídas dos modelos de sobrevivência (probabilidades e gradientes) são concatenadas com os recursos padrão de ML.
   • Um modelo CatBoost (Máquina de Gradient Boosting) é treinado neste conjunto de recursos estendido para prever $P(\text{Câncer} | \text{EHR})$.
   • Racional: As saídas de sobrevivência atuam como um regularizador, injetando conhecimento populacional prévio no modelo para melhorar a generalização e lidar com o compromisso viés-variância.

C. Baselines

Os autores compararam o Can-SAVE contra 17 baselines, incluindo:

• ML Clássico (Regressão Logística, Random Forest, GBM).
• Modelos de Sobrevivência Puros (AFT, Random Survival Forest, DeepHit).
• Aprendizado Profundo (RNNs, Transformers como BERT/Longformer).
• Abordagens baseadas em LLM (LLMs ajustados finamente, modelos baseados em embeddings, Sumarização por LLM).

3. Contribuições Principais

1. Arquitetura Inovadora: Demonstrou que combinar variáveis de análise de sobrevivência com gradient boosting supera significativamente tanto modelos de sobrevivência autônomos quanto abordagens complexas de aprendizado profundo/LLM para classificação de risco de câncer usando apenas EHR rotineiro.
2. Validação Massiva no Mundo Real: Validou o sistema em um conjunto de dados de 2,5 milhões de adultos em cinco regiões da Rússia, representando uma das maiores implantações reais de avaliação de risco de câncer impulsionada por IA.
3. Pilotagem Clínica Prospectiva: Conduziu um estudo prospectivo de 12 meses supervisionado por oncologistas envolvendo 426.000 pacientes, indo além da análise retrospectiva para medir o impacto clínico real.
4. Escalabilidade e Eficiência: Provou que o sistema pode processar uma população de nível de cidade (1 milhão de pacientes) em menos de 3 horas em hardware padrão, não exigindo nova coleta de dados ou infraestrutura especializada.

4. Resultados Experimentais

A. Desempenho Retrospectivo (Experimentos Numéricos)

• Conjunto de Dados: 175.441 pacientes (2017–2021).
• Métrica: Precisão Média (AP) foi priorizada sobre ROC-AUC devido ao desequilíbrio extremo de classes (câncer é raro).
• Resultados:
  • Can-SAVE: Alcançou AP = 0,228 (o mais alto entre todos os métodos).
  • Melhor Baseline (LLM ajustado com LoRA): AP = 0,193.
  • Comparação: O Can-SAVE superou a melhor baseline de LLM em ~18% em AP e superou todos os outros métodos clássicos e de aprendizado profundo.
  • Estudo de Ablação: Confirmou que a fusão de GBM e recursos de sobrevivência é crítica; GBM autônomo (AP 0,160) e AFT autônomo (AP 0,117) foram significativamente mais fracos.

B. Estudo Retrospectivo Supervisionado por Oncologistas

• Escopo: 1,9 milhão de pacientes em 5 regiões.
• Descoberta: Ao rastrear os 1.000 pacientes de maior risco identificados pelo Can-SAVE, o sistema detectou 41–90 cânceres por 1.000, comparado a 9–15 por 1.000 com protocolos de rastreamento tradicionais.
• Aumento: Um aumento de 4,1x a 10,0x na taxa de detecção em volumes de rastreamento idênticos.

C. Pilotagem Prospectiva (Implantação no Mundo Real)

• Escopo: 426.210 pacientes ao longo de 12 meses.
• Comparação: Can-SAVE (Teste) vs. Rastreamento Padrão Nacional (Controle).
• Resultados Chave:
  • Taxa de Detecção: O Can-SAVE detectou 2.148 cânceres contra 1.123 no grupo de controle.
  • Eficiência: Um aumento de 91% na taxa de detecção de câncer com a mesma capacidade clínica.
  • Cobertura: O Can-SAVE identificou 75,4% de todos os cânceres detectados na região naquele ano, comparado a 39,4% para o rastreamento tradicional (uma expansão de +36 pontos percentuais na cobertura).
  • Uso de Recursos: Não foram necessários novos hardware ou testes caros; o fluxo de trabalho alterou apenas a priorização dos convites e um breve questionário de risco.

D. Importância dos Recursos

• Idade foi o recurso dominante (20,2% de importância).
• Saídas do Modelo de Sobrevivência contribuíram com 39,6% da importância total, validando a hipótese central de que sinais derivados de sobrevivência são críticos para a classificação.
• Padrões de Consulta e Marcadores Clínicos (por exemplo, serviços do sistema imunológico, neoplasias benignas) também contribuíram significativamente.

5. Significado e Impacto

• Mudança de Paradigma: O Can-SAVE prova que "IA pragmática" usando dados EHR ubíquos pode superar modelos complexos e famintos de dados (como LLMs) para rastreamento populacional.
• Acessibilidade: Ao depender apenas de códigos CID-10 padrão e histórico de consultas, o sistema é implantável em ambientes de baixo recurso globalmente, contornando a necessidade de testes genéticos ou imagem especializada.
• Utilidade Clínica: O sistema integrou-se com sucesso aos fluxos de trabalho existentes de saúde pública, demonstrando que a IA pode melhorar diretamente as taxas de detecção precoce e salvar vidas sem interromper as operações clínicas.
• Escalabilidade: A capacidade do sistema de processar milhões de registros em horas em servidores comerciais torna-o uma solução viável para a implementação de políticas de saúde em nível nacional.

Em conclusão, o Can-SAVE oferece um framework reprodutível e custo-efetivo para prevenção de câncer em escala populacional, preenchendo a lacuna entre ciência de dados avançada e as restrições reais da saúde pública.