From Data Lifting to Continuous Risk Estimation: A Process-Aware Pipeline for Predictive Monitoring of Clinical Pathways

Resumo Técnico: Da Elevação de Dados à Estimativa Contínua de Risco

Declaração do Problema
Os sistemas de saúde digital enfrentam desafios significativos na transformação de dados clínicos heterogêneos (por exemplo, registros eletrônicos de saúde, sinais vitais, resultados de laboratório) em indicadores confiáveis de suporte à decisão. A mineração de processos tradicional na área da saúde é predominantemente retrospectiva, analisando trajetórias de pacientes concluídas para descobrir modelos ou identificar gargalos. No entanto, cenários modernos de saúde exigem monitoramento contínuo e prospectivo, onde as decisões devem ser apoiadas sob informações parciais e em evolução. Abordagens existentes de monitoramento preditivo frequentemente focam em modelos preditivos isolados, negligenciando a integração crítica de transformação de dados, representações conscientes de processo e pipelines experimentais reproduzíveis. Além disso, a "elevação de dados" necessária para converter registros clínicos fragmentados e temporalmente inconsistentes em logs de eventos utilizáveis é frequentemente tratada como uma etapa preliminar, em vez de um componente central da arquitetura preditiva.

Metodologia
Os autores propõem um pipeline reproduzível e consciente de processo projetado para transformar dados clínicos brutos em estimativas contínuas de risco para trajetórias de pacientes parcialmente observadas. O framework é organizado em quatro etapas modulares:

1. Integração de Dados e Validação Temporal:

   • Fontes de dados heterogêneas (registros de pacientes, dados de emergência, diagnósticos, medicamentos, sinais vitais, exames laboratoriais) são alinhadas no nível do paciente usando identificadores únicos.
   • Um procedimento determinístico de "elevação de dados" limpa os dados (tratando valores ausentes, padronizando strings vazias ou zero) e realiza reconstrução temporal.
   • Transformações baseadas em regras e uma tabela de inferência (agregando carimbos de tempo candidatos de múltiplas fontes) resolvem inconsistências, como carimbos de tempo de triagem precedendo horários de admissão, garantindo uma sequência de eventos temporalmente consistente.

2. Construção e Enriquecimento de Log de Eventos:

   • Dados validados são transformados em um log de eventos padrão (formato XES) usando coletores de eventos modulares.
   • Atividades clínicas são mapeadas para eventos com atributos específicos (ID do caso, nome da atividade, carimbo de tempo e atributos específicos do contexto, como sinais vitais ou códigos de diagnóstico).
   • Atributos no nível do traço (por exemplo, dados demográficos) são propagados para todos os eventos dentro de um caso.

3. Representação de Processo Baseada em Prefixos e Extração de Características:

   • Para habilitar o monitoramento preditivo, traços completos são decompostos em prefixos (sequências parciais de eventos).
   • Um módulo de engenharia de características extrai vetores no nível do prefixo, incluindo:
     • Características temporais: Tempo decorrido, tempo desde a admissão, intervalos entre eventos.
     • Características de atividade: Contagens, frequências e a última atividade observada.
     • Características de transição: Padrões de atividades consecutivas.
     • Características clínicas: Estatísticas agregadas (mínimo, máximo, média, mais recente) de sinais que variam no tempo.
     • Atributos do caso: Informações demográficas estáticas.

4. Monitoramento Preditivo:

   • O framework emprega modelos padrão de aprendizado de máquina (Regressão Logística e Random Forest) treinados em vetores de características no nível do prefixo.
   • O alvo de previsão (admissão na UTI) é definido no nível do caso e propagado para todos os prefixos correspondentes, permitindo aprendizado supervisionado em trajetórias parcialmente observadas.
   • O sistema simula um cenário de monitoramento online onde as estimativas de risco são atualizadas incrementalmente à medida que novos eventos chegam.

Estudo de Caso e Configuração Experimental
O pipeline foi avaliado usando o conjunto de dados COVID Data for Shared Learning (CDSL), compreendendo 4.479 casos de pacientes e 46.804 prefixos.

• Tarefa: Prever a probabilidade de admissão na UTI com base em trajetórias de pacientes em evolução.
• Divisão: Uma divisão no nível do caso foi utilizada para evitar vazamento de informações, com 896 pacientes (e seus prefixos derivados) reservados para o conjunto de teste.
• Avaliação: Os modelos foram avaliados usando AUC, precisão, recall e pontuação F1, com foco específico na evolução do desempenho através de diferentes comprimentos de prefixo.

Principais Resultados

• Desempenho Geral: A Regressão Logística alcançou o melhor desempenho com um AUC de 0,906 e uma pontuação F1 de 0,835, superando o modelo Random Forest. Isso sugere que a representação de características baseada em prefixos é suficientemente informativa para previsão precisa usando modelos relativamente simples e interpretáveis.
• Emergência Progressiva do Sinal: O desempenho preditivo melhora significativamente à medida que o caminho clínico evolui e mais eventos se tornam disponíveis:
  • Em estágios iniciais (comprimento de prefixo 1), o AUC é 0,642.
  • No comprimento de prefixo 20, o AUC sobe para 0,772.
  • Em estágios posteriores (comprimento de prefixo 50), o AUC atinge 0,942.
• Reprodutibilidade: O pipeline gera artefatos intermediários explícitos (logs de eventos, conjuntos de dados de prefixos, tabelas de características, saídas de previsão), garantindo que todo o fluxo de trabalho seja rastreável e reproduzível.

Significado e Alegações
O artigo defende uma mudança de paradigma da previsão estática e centrada no modelo para monitoramento contínuo e centrado no pipeline. Os autores afirmam que:

1. Sinais preditivos emergem progressivamente: Informações clinicamente relevantes não estão concentradas na admissão, mas são codificadas na sequência de eventos ao longo do tempo. Consequentemente, a estimativa de risco deve ser um processo contínuo que se atualiza à medida que a jornada do paciente evolui.
2. A transformação de dados é crítica: A qualidade da reconstrução temporal e da construção do log de eventos é um fator decisivo no desempenho preditivo. O pré-processamento de dados (especificamente o alinhamento temporal) deve ser visto como um componente central da arquitetura preditiva, e não meramente como uma etapa preliminar.
3. Representações conscientes de processo são essenciais: Modelar trajetórias de pacientes como sequências em evolução fornece valor preditivo além de instantâneos estáticos. A capacidade de raciocinar sobre casos em execução usando representações baseadas em prefixos permite uma estimativa eficaz de risco precoce.
4. Reprodutibilidade e Rastreabilidade: Ao decompor o pipeline em etapas modulares que geram artefatos, o framework suporta inspeção, validação e depuração em nível fino, o que é crucial para aplicações clínicas.

O estudo conclui que, embora algoritmos de aprendizado avançados sejam úteis, a integração de elevação de dados robusta, representações conscientes de processo e pipelines reproduzíveis é o principal habilitador do monitoramento preditivo confiável na área da saúde.