Temporal Data Requirement for Predicting Unplanned Hospital Readmissions

1. Declaração do Problema

A proliferação de Registros Eletrônicos de Saúde (RES) permitiu o desenvolvimento de modelos preditivos orientados por dados para resultados em saúde, como reinternações hospitalares não planejadas em 30 dias. No entanto, existe uma lacuna crítica na determinação da janela de observação temporal ótima para dados históricos.

• A Premissa: Há uma crença predominante em aprendizado de máquina de que "mais dados são melhores", levando pesquisadores a utilizar janelas de observação longas (frequentemente abrangendo anos) para treinar modelos.
• O Desafio: Não está claro se estender a janela histórica indefinidamente melhora a precisão preditiva, ou se há um ponto de retornos decrescentes. Além disso, é desconhecido se o comprimento da janela ótima difere entre dados estruturados (tabulares, codificados) e dados não estruturados (notas clínicas).
• O Objetivo: Identificar o comprimento específico da janela temporal que maximiza o desempenho preditivo para reinternações em 30 dias após artroplastias de quadril e joelho, comparando fontes de dados estruturados versus não estruturados.

2. Metodologia

Conjunto de Dados

• Fonte: Dados retrospectivos do Partners Healthcare (sistema RES Epic).
• Cohorte: 7.174 pacientes adultos (idosos de 18 a 90 anos) submetidos a artroplastia de quadril ou joelho entre 2006 e 2016.
• Volume de Dados: Mais de 4 milhões de registros de atendimentos e 80.000 notas clínicas.
• Variável Alvo: Reinternação não planejada dentro de 30 dias pós-cirurgia (Classe Positiva = 1, Classe Negativa = 0).
• Desequilíbrio de Classes: O conjunto de dados é altamente desbalanceado (aproximadamente 9,5% para quadril, 10,5% para joelho). Estratégias como ponderação de classes, subamostragem e superamostragem foram empregadas.
• Divisão: Os dados foram partitionados no nível do paciente: 70% Treinamento, 15% Validação, 15% Teste.

Janelas de Observação

O estudo avaliou janelas de observação variando de 0 meses (apenas dia da cirurgia) a 36 meses (3 anos) antes da cirurgia.

Engenharia de Atributos e Codificação

O estudo utilizou três modalidades de dados:

1. Dados Estruturados: Atributos categóricos e numéricos em 8 domínios (Demografia, Exames Laboratoriais, Diagnóstico, Medicamentos, Histórico de Saúde, Procedimentos, Sinais Vitais, Informações de Admissão).
   • Codificação: Codificação one-hot, representação textual de variáveis categóricas e tratamento de dados sensíveis ao tempo versus não sensíveis ao tempo.
2. Dados Não Estruturados (Notas Clínicas): Notas em texto livre de médicos, enfermeiros e scripts.
   • Pré-processamento: Tokenização, minúsculas e redução de palavras à raiz (stemming).
   • Codificadores Não Neurais: Bolsa de Palavras (Binário, Contagem), TF-IDF e Alocação Dirichlet Latente (LDA).
   • Codificadores Neurais:
     • Média: Projeção linear + ReLU.
     • 1D-CNN: Camadas convolucionais com tamanhos de kernel (3, 5, 7, 9).
     • BiLSTM: Redes de Memória de Curto e Longo Prazo Bidirecionais.
     • Mecanismos de Atenção: Para ponderar estados ocultos com base na relevância.
     • Modelos Hierárquicos: BiLSTM para nível de nota, seguido de BiLSTM para agregação no nível do paciente.
     • BERT: Clinical BERT (pré-treinado no MIMIC-III) para representações contextuais de palavras.

Arquitetura do Modelo

• Modelos Independentes: Modelos separados treinados para cirurgias de Quadril e Joelho.
• Aprendizado Multitarefa: Modelos conjuntos prevendo reinternação para ambos os tipos de cirurgia, compartilhando parâmetros do codificador para "emprestar força" entre tarefas.
• Combinações: Modelos foram treinados em (a) Notas Clínicas apenas, (b) Dados Estruturados apenas, e (c) Uma combinação de ambos.
• Métrica de Avaliação: Área sob a Curva Característica Operacional do Receptor (AUROC).

3. Contribuições Principais

1. Otimização da Janela Temporal: O estudo demonstra empiricamente que a janela de dados históricos ótima não é uniforme entre os tipos de dados.
2. Divergência entre Não Estruturados e Estruturados: Revela uma diferença fundamental em como os dados temporais impactam o desempenho do modelo:
   • Dados Estruturados: O desempenho melhora à medida que a janela se estende, estabilizando em 12 meses.
   • Dados Não Estruturados (Notas Clínicas): O desempenho atinge o pico em uma janela mais curta (3–6 meses) e não necessariamente melhora (e pode degradar) com dados mais antigos.
3. Agnosticismo do Modelo: Esses padrões temporais mantêm-se verdadeiros independentemente da complexidade do modelo, aplicando-se tanto a codificadores não neurais simples (Regressão Logística + BoW) quanto a arquiteturas neurais complexas (BERT, BiLSTM).
4. Eficiência de Dados: As descobertas sugerem que, para dados não estruturados, armazenar e processar 3 anos de histórico é ineficiente; uma janela de 3–6 meses produz resultados superiores, reduzindo custos computacionais e de armazenamento.

4. Resultados Principais

• Tendências de Desempenho:

  • Apenas Notas Clínicas: A maior AUROC foi alcançada usando dados de 3 a 6 meses antes da cirurgia. O desempenho caiu ao usar dados mais antigos que 6 meses ou dados apenas do dia da cirurgia.
  • Apenas Dados Estruturados: A AUROC aumentou consistentemente à medida que a janela crescia de 0 a 12 meses, depois estabilizou. Nenhum ganho significativo foi observado além de 12 meses.
  • Dados Combinados: O modelo combinado seguiu a tendência das notas clínicas, com a janela ótima sendo 3–6 meses. Isso indica que o alto poder preditivo das notas clínicas recentes domina a contribuição de dados estruturados mais antigos.

• Achados Quantitativos (AUROC):

  • Para Cirurgia de Joelho usando Notas Clínicas + Dados Estruturados, o modelo usando 3 meses de dados históricos alcançou uma AUROC de 0,930 (Multitarefa), superando significativamente modelos usando apenas dados do dia da cirurgia (0,881) ou 36 meses de dados.
  • A Cirurgia de Quadril mostrou tendências semelhantes, com a janela de 3 meses produzindo os melhores resultados (ex: 0,888 de AUROC para dados combinados).

• Aprendizado Multitarefa: Embora o aprendizado multitarefa tenha mostrado pequenas melhorias de desempenho em alguns cenários combinados, os requisitos de dados temporais permaneceram consistentes com os modelos independentes. O comprimento da janela ótima foi independente da estratégia de aprendizado (independente versus multitarefa).

5. Significado e Implicações

• Desafio ao "Mais Dados é Melhor": O estudo refuta o heurística geral de que janelas históricas mais longas sempre melhoram o desempenho de ML em saúde. Para notas clínicas não estruturadas, a recência é mais valiosa que o volume.
• Eficiência Operacional: Hospitais e engenheiros de dados podem otimizar sistemas de armazenamento e recuperação de RES focando na janela de 3–6 meses para dados não estruturados, em vez de ingerir anos de notas históricas, reduzindo assim a latência e os custos de armazenamento.
• Relevância Clínica: As descobertas sugerem que a narrativa clínica que envolve o estado pré-operatório recente do paciente (3–6 meses) é o preditor mais forte de complicações pós-cirúrgicas imediatas, enquanto o histórico estruturado mais antigo (ex: demografia, diagnósticos passados com mais de 1 ano) oferece retornos decrescentes.
• Direções Futuras: Os autores sugerem validar essas descobertas em outros tipos de cirurgia (ex: cardiovascular) e em diferentes sistemas de saúde para garantir a generalizabilidade além do sistema RES Epic utilizado neste estudo.

Conclusão

Este artigo fornece uma diretriz crítica para a construção de modelos preditivos em saúde. Estabelece que os requisitos temporais de dados ótimos são específicos do tipo de dado: dados estruturados beneficiam-se de um histórico mais longo (até 12 meses), enquanto notas clínicas não estruturadas são mais preditivas dentro de uma janela curta e recente (3–6 meses). Ignorar essas nuances pode levar a desempenho subótimo do modelo e utilização ineficiente de recursos.