Conditional outlier detection for clinical alerting

Declaração do Problema
Erros médicos permanecem uma questão persistente e séria na prática da saúde. Embora existam ferramentas computacionais atuais para monitoramento de pacientes, elas são predominantemente baseadas em conhecimento, dependendo de regras extraídas a priori de especialistas clínicos. Esses sistemas são demorados para construir e frequentemente sofrem de cobertura clínica incompleta. Os autores propõem uma alternativa orientada por dados: um framework de monitoramento e alerta que utiliza informações clínicas armazenadas de casos de pacientes passados para identificar outliers estatísticos (anomalias) em ações de gerenciamento de pacientes. A hipótese central é que ações de gerenciamento de pacientes que são incomuns em relação a pacientes passados e suas condições específicas podem indicar potenciais erros médicos, justificando um alerta clínico.

Metodologia
O artigo apresenta um framework para detecção de anomalias condicionais, que identifica ações de gerenciamento de pacientes altamente incomuns dada a condição específica de um paciente e dados históricos. A metodologia prossegue através de três etapas principais:

1. Segmentação e Transformação:

   • Dados complexos de séries temporais multivariadas de Registros Eletrônicos de Saúde (EHRs) — incluindo exames de laboratório, medicamentos, procedimentos e diagnósticos — são segmentados em pontos discretos de tempo (por exemplo, a cada 24 horas).
   • Dados observados até um ponto de segmentação são transformados em uma representação no espaço vetorial do estado do paciente ($x$). Esta representação utiliza um conjunto fixo de características para resumir informações temporais, incluindo:
     • Características de Laboratório: Para resultados categóricos, as características incluem valores do último/penúltimo e tempo desde o último valor. Para valores contínuos/ordinais, as características incluem inclinações, variações percentuais, nadir (mínimo) e ápice (máximo).
     • Características de Medicamentos: Indicadores de uso atual, tempo desde a primeira administração, tempo desde a última administração e tempo desde a última alteração de ordem.
     • Características de Procedimentos: Indicadores de se um procedimento foi realizado, tempo desde a primeira realização e tempo desde a última realização.
   • Ações de gerenciamento de pacientes ($y$) ocorrendo entre pontos de segmentação são vinculadas ao estado do paciente precedente. As ações são binárias (verdadeiro/falso), representando se um exame específico foi solicitado ou se um medicamento foi administrado.

2. Aprendizado de Modelos Preditivos:

   • O sistema aprende um modelo preditivo para a distribuição condicional $P(y | x)$ para ações de gerenciamento específicas (solicitações de exames e ordens/continuações de medicamentos).
   • Máquinas de Vetores de Suporte (SVM) são usadas como o modelo de aprendizado discriminativo para separar classes de ações.
   • Para lidar com a alta dimensionalidade das características (milhares de variáveis potenciais), um processo de seleção de características gananciosa é empregado. As características são agrupadas por categoria (por exemplo, todas as características de hemoglobina). Os grupos são avaliados por validação cruzada interna (usando AUC) e adicionados incrementalmente ao modelo se melhorarem o desempenho preditivo.
   • Saídas probabilísticas são derivadas do limite de decisão da SVM usando o método de escalonamento de Platt para estimar $P(y=1 | x)$.

3. Detecção de Anomalias e Alertas:

   • Pontuação de Anomalia: O grau de anomalia para uma ação $y$ dado o estado $x$ é calculado como $Anom(x, y) = 1 - P(y | x)$. Uma baixa probabilidade da ação observada implica uma alta pontuação de anomalia.
   • Pontuação de Alerta: Para abordar o problema de que os estados dos pacientes mudam ao longo do tempo, o sistema avalia a anomalia de uma ação $y_{t-1}$ contra tanto o estado do paciente no momento da ação ($x_{t-1}$) quanto o estado subsequente ($x_t$). A pontuação de alerta é definida como o mínimo dessas duas pontuações de anomalia: $Alert(x_t, y_{t-1}) = \min(Anom(x_{t-1}, y_{t-1}), Anom(x_t, y_{t-1}))$. Um alerta é disparado se essa pontuação exceder um limiar, garantindo que o desvio seja persistente em passos de tempo consecutivos.

Avaliação e Resultados
O framework foi avaliado usando dados retrospectivos de 4.486 pacientes pós-cirurgia cardíaca em um grande hospital universitário em Pittsburgh.

• Divisão de Dados: Os dados foram divididos em um conjunto de treinamento (pré-2005) e um conjunto de teste (2005 e posterior). O processo de segmentação resultou em 51.492 instâncias de estado de paciente (30.828 para treinamento, 20.664 para teste).
• Seleção de Modelo: Apenas modelos com uma Área sob a Curva (AUC) de 0,68 ou superior foram utilizados.
• Revisão por Especialistas: Do conjunto de teste, 222 alertas foram selecionados para avaliação por um painel de 15 especialistas em cuidados críticos (bolsistas e docentes). Os critérios de seleção incluíram uma pontuação mínima de anomalia de 0,15 e foco nas anomalias mais fortes.
• Descobertas:
  • Usando uma regra de maioria (2 de 3 revisores), 121 dos 222 alertas (54,5%) foram considerados clinicamente úteis.
  • Existe uma correlação positiva entre a pontuação de alerta e a taxa real de alertas úteis. Alertas com pontuações baixas tiveram uma taxa real de utilidade de 19%, enquanto aqueles com pontuações altas atingiram 72%.
  • A análise ROC resultou em um AUC de 0,64, que é estatisticamente significativamente diferente de 0,5 (chance aleatória), confirmando que pontuações de alerta mais altas são indicativas de taxas reais de alerta mais altas.

Contribuições Principais e Significado
O artigo afirma apresentar a avaliação mais abrangente de sua metodologia de outliers condicionais até a data. Suas principais contribuições incluem:

• Abordagem Orientada por Dados: Demonstrar que o alerta baseado em anomalias pode servir como complemento ou sistema autônomo para alertas baseados em conhecimento, particularmente em subáreas clínicas onde regras de especialistas ainda não estão disponíveis.
• Framework Condicional: Ir além da detecção simples de outliers para uma abordagem condicional onde as ações são avaliadas em relação a estados específicos de pacientes e dados históricos.
• Validação Clínica: Fornecer evidências empíricas de que anomalias estatísticas no gerenciamento de pacientes estão positivamente correlacionadas com alertas clinicamente significativos, apoiando a hipótese de que essa abordagem pode ajudar a identificar erros médicos.
• Escalabilidade: Construir e testar com sucesso modelos em milhares de características de pacientes e centenas de ações extraídas de EHRs do mundo real.

Os autores concluem que, embora nem todos os outliers estatísticos correspondam a erros, o método é "valioso" para disparar alertas devido à sua capacidade de sinalizar erros frequentemente o suficiente para ser clinicamente útil, com taxas razoavelmente baixas de falsos alertas. Trabalhos futuros estão planejados para refinar características temporais, explorar diferentes discretizações de tempo e avaliar o sistema em domínios clínicos adicionais.