Dialysis Risk Prediction and Treatment Effect Estimation for AKI patients using Longitudinal Electronic Health Records

Resumo Técnico: Predição de Risco de Diálise e Estimativa de Efeito de Tratamento para Pacientes com AKI usando EHRs Longitudinais

1. O Problema (Contexto e Motivação)

A progressão para diálise ou doença renal terminal (ESRD) é um desfecho clínico crítico e de alto custo para pacientes com Lesão Renal Aguda (AKI). O desafio reside em dois pontos principais:

• Predição de Risco: Identificar precocemente quais pacientes com AKI evoluirão para diálise, enfrentando o desafio de dados altamente desbalanceados (baixa prevalência do evento) e a necessidade de capturar trajetórias temporais complexas.
• Inferência Causal: Determinar como exposições a medicamentos influenciam o risco de diálise. Em dados observacionais de prontuários eletrônicos (EHR), é difícil distinguir se um medicamento causa um desfecho ou se ele é prescrito devido à gravidade da doença (confundimento por indicação), além da complexidade da polifarmácia.

2. Metodologia

Os autores desenvolveram um framework baseado em Transformers para tratar a predição e a inferência como um problema de modelagem causal unificada.

• Construção da Coorte: Utilizaram dados do TriNetX (N=81.401 pacientes). O design utilizou uma janela de observação de 90 dias (ou 365 dias) seguida por uma janela de predição de 730 dias.
• Arquitetura do Modelo: Um modelo Transformer com múltiplas "cabeças" (multi-head) que aprende simultaneamente:
  1. Cabeça de Desfecho (Outcome Head): Prediz o risco de diálise.
  2. Cabeça de Propensão (Propensity Head): Modela a probabilidade de atribuição do tratamento (para mitigar o viés de seleção).
  3. Cabeças de Desfecho Específicas de Tratamento: Estimam os resultados potenciais sob condições de tratamento e não tratamento.
• Representação de Dados: Sequências de diagnósticos, procedimentos e medicamentos (codificados por ingredientes ativos) foram combinadas com tendências de exames laboratoriais (eGFR, creatinina, BUN) calculadas como valor médio, último valor e inclinação (slope).
• Estimativa de Efeito de Tratamento (ATE): Utilizaram uma estratégia de intervenção contrafactual. Durante a inferência, os tokens de um medicamento específico são removidos ou inseridos na sequência do paciente para observar como o risco predito muda.
• Validação Clínica: Realizaram uma análise post-hoc ancorada no tempo, comparando os efeitos inferidos pelo modelo com mudanças reais nos marcadores laboratoriais (eGFR, creatinina, BUN) usando métodos estatísticos robustos (IPTW, AIPW, OLS ajustado).

3. Principais Contribuições

1. Pipeline de Coorte Longitudinal: Um método reprodutível para construir janelas temporais que respeitam a ordem cronológica e evitam o vazamento de dados (data leakage).
2. Framework Unificado de Transformer: Integração da predição de risco e estimativa de efeito causal em uma única arquitetura de aprendizado de representação.
3. Estimativa ao Nível de Ingrediente Ativo: Redução da fragmentação de dados ao agrupar medicamentos por princípio ativo, permitindo interpretações clínicas mais úteis do que o uso de nomes comerciais.
4. Camada de Validação Laboratorial: Introdução de uma etapa de triangulação clínica que valida se os sinais do modelo de IA coincidem com a fisiologia renal observada nos exames.

4. Resultados

• Desempenho Preditivo: O modelo Transformer superou os modelos de base (SVM Linear e Regressão Logística). Com uma janela de 90 dias, alcançou um AUC de 0,694 e um PR-AUC de 0,094. O uso de estratégias de treinamento para lidar com o desbalanceamento de classes foi crucial para o desempenho.
• Efeitos de Medicamentos (ATE):
  • ACEi/ARB (ex: Lisinopril): Mostraram sinais de direção protetora (redução do risco de diálise), o que é consistente com a literatura nefrológica sobre renoproteção.
  • Diuréticos de Alça (ex: Furosemida): Mostraram sinais de aumento de risco, possivelmente refletindo a gravidade da doença (pacientes mais graves recebem mais diuréticos).
• Validação de Marcadores: Os sinais do modelo para ACEi/ARB mostraram consistência parcial com as tendências de estabilização de eGFR e creatinina.

5. Significância e Conclusão

O estudo demonstra que modelos de Deep Learning baseados em Transformers podem ser usados não apenas para prever eventos, mas para gerar hipóteses causais sobre a segurança e eficácia de medicamentos em populações de alto risco. Embora os resultados sejam exploratórios e limitados pelo viés de dados observacionais e pela escassez de certos exames laboratoriais, o framework oferece uma base escalável para o estudo de desfechos renais em larga escala, permitindo uma medicina mais personalizada e informada por dados.