An Integrated Framework for Explainable, Fair, and Observable Hospital Readmission Prediction: Development and Validation on MIMIC-IV

Resumo Técnico: Um Framework Integrado para Predição de Readmissão Hospitalar Explicável, Justa e Observável

Título Original: An Integrated Framework for Explainable, Fair, and Observable Hospital Readmission Prediction: Development and Validation on MIMIC-IV
Autor: Isaac Tosin Adisa
Publicação Alvo: Journal of the American Medical Informatics Association (JAMIA)

1. O Problema (Contexto e Motivação)

A readmissão hospitalar não planejada em até 30 dias gera custos bilionários para o sistema de saúde dos EUA e está associada ao aumento da mortalidade e redução da qualidade de vida. Embora existam modelos de Inteligência Artificial (IA) para prever esses eventos, a adoção clínica é limitada por três barreiras críticas:

1. Falta de Explicabilidade: Modelos de "caixa-preta" não oferecem justificativas interpretáveis para decisões de alto risco.
2. Ausência de Infraestrutura de Confiabilidade: A maioria dos modelos acadêmicos carece de mecanismos de monitoramento (observabilidade) para implantação contínua e segura.
3. Avaliação de Equidade Insuficiente: Frequentemente, os modelos omitem auditorias de viés demográfico, o que pode perpetuar disparidades de saúde.

2. Metodologia

O estudo propõe um framework que integra essas três dimensões, validado retrospectivamente utilizando o banco de dados MIMIC-IV.

• Dados e Coorte: Foram analisadas 415.231 admissões de adultos, com uma taxa de readmissão de 18,0%. Os dados foram divididos cronologicamente em conjuntos de treino (70%), validação (15%) e teste (15%).
• Engenharia de Atributos: Foram utilizadas 26 variáveis, incluindo dados demográficos, clínicos (Índice de Comorbidade de Charlson, tempo de permanência, diagnósticos), medicações e histórico de admissões anteriores.
• Modelagem: Foram treinados três modelos: Regressão Logística (L2), XGBoost e LightGBM. O desequilíbrio de classes foi tratado via scale_pos_weight.
• Explicabilidade: Utilizou-se o SHAP (SHapley Additive exPlanations) com o TreeExplainer para fornecer atribuições de importância de atributos por paciente (nível individual).
• Avaliação de Equidade (Fairness): A equidade foi auditada em 16 subgrupos (raça/etnia, idade, gênero e tipo de seguro) utilizando métricas de AUC-ROC, Taxa de Falso Negativo (FNR) e Valor Preditivo Positivo (PPV).
• Arquitetura de Implantação: O framework foi desenhado para rodar em containers Docker no Azure Kubernetes Service (AKS), utilizando a stack de observabilidade Prometheus, Grafana e Alertmanager para monitorar latência, erros e desvio de dados (drift).

3. Principais Contribuições

• Integração Multidimensional: É um dos primeiros sistemas de predição de readmissão a abordar simultaneamente explicabilidade, justiça demográfica e infraestrutura de monitoramento de implantação.
• Explicabilidade Individualizada: Diferente de ferramentas de pontuação agregadas (como o índice LACE), o uso de SHAP permite que o clínico entenda o porquê de um paciente específico ter sido classificado como de alto risco.
• Design para Produção: O estudo não se limita ao modelo matemático, mas especifica uma arquitetura de software pronta para o ambiente hospitalar real (SLOs de latência e disponibilidade).

4. Resultados

• Desempenho Preditivo: O modelo XGBoost alcançou um AUC-ROC de 0,696, superando ou igualando o desempenho do índice clínico padrão LACE (que varia de 0,60 a 0,68).
• Calibração: O modelo LightGBM apresentou a melhor calibração, com um Brier score de 0,146, o que é essencial para a comunicação de risco clínico confiável.
• Fatores Determinantes: O principal preditor identificado pelo SHAP foi o histórico de admissões nos últimos 12 meses.
• Equidade Demográfica: O modelo demonstrou robustez ética. Todos os 16 subgrupos atenderam aos limiares de equidade estabelecidos ($\Delta$AUC $\leq$ 0,05 e $\Delta$FNR $\leq$ 0,10), sem a necessidade de pós-processamento para correção de viés.

5. Significância e Conclusão

O trabalho demonstra que é possível construir sistemas de IA que sejam competitivos em termos de precisão, mas que também sejam transparentes para o médico, justos para populações vulneráveis e tecnicamente robustos para operação em larga escala. O framework oferece uma base sólida para equipes de informática clínica que buscam transformar modelos de pesquisa em ferramentas de suporte à decisão clínica (CDSS) seguras e auditáveis.

Disponibilidade: O código completo está disponível em regime de código aberto no GitHub para promover a reprodutibilidade e o avanço da área.