📊 statistics

Predicting Hospitalization from a Whole-Person Health Score with Incomplete Electronic Health Records Data: A Case Study

Este estudo demonstra que prever a hospitalização a partir de Registros Eletrônicos de Saúde incompletos utilizando um Índice de Carga Alostática é mais eficaz quando os modelos são adaptados a padrões específicos de dados ausentes de pacientes, alcançando um AUC de 0,73 na amostra, embora o desempenho da validação cruzada caia para 0,63.

Autores originais: Grayson E. Weavil, Joseph Rigdon, Sarah C. Lotspeich

Publicado 2026-06-10

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Grayson E. Weavil, Joseph Rigdon, Sarah C. Lotspeich

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Visão Geral: Um "Boletim de Saúde" com Notas Faltantes

Imagine que você quer dar a um aluno uma única pontuação de "Boletim de Saúde" baseada em dez matérias diferentes (como Matemática, História, Ciências, etc.). Essa pontuação, chamada de Índice de Carga Alostática (ALI), diz o quanto o corpo do aluno está sob estresse.

O Objetivo: Se a pontuação for alta (muitas "notas baixas"), o aluno corre o risco de ficar doente ou precisar ser hospitalizado.
O Problema: Em uma sala de aula real, nem sempre você tem as notas de todas as matérias. Talvez o aluno tenha faltado à prova de Ciências, ou o professor de História perdeu o papel. No mundo real (Prontuários Eletrônicos de Saúde), os médicos não solicitam todos os exames de sangue para cada paciente. Alguns dados estão faltando.

Os pesquisadores perguntaram: Como calculamos este "Boletim de Saúde" com precisão quando algumas das notas estão faltando, e podemos usá-lo para prever quem acabará no hospital?

O Experimento: 1.000 Alunos e um Quebra-Cabeça Incompleto

A equipe analisou dados de 1.000 pacientes de um hospital na Carolina do Norte. Eles tinham dez marcadores de saúde específicos (como pressão arterial, colesterol e glicose no sangue) que compõem a pontuação do ALI.

A Realidade: Alguns marcadores eram fáceis de encontrar (como a pressão arterial, que é medida em quase todas as consultas). Outros eram muito difíceis de encontrar (como exames de sangue específicos que só são solicitados se o médico suspeitar de um problema).
O Desafio: Se você apenas ignorar os testes ausentes, pode acabar pensando erroneamente que um paciente está saudável quando não está. Se você presumir que os testes ausentes são "ruins", pode achar que ele está mais doente do que realmente está.

As Estratégias: Como Lidar com as Notas Faltantes

Os pesquisadores testaram diferentes maneiras de preencher as lacunas ou contornar o problema, testando-as como diferentes estratégias em um jogo:

O Método da "Proporção" (O Boletim Parcial):
Em vez de contar os testes ausentes como "bons" ou "ruins", eles apenas calcularam a porcentagem dos testes disponíveis que estavam fora do normal.

Analogia: Se um aluno fez 5 de 10 testes e reprovou em 2, sua pontuação é de 40% de reprovação, não 20% (o que você obteria se contasse os 5 testes ausentes como aprovados).

A Suposição de "Melhor/Pior Caso":

Melhor Caso: Assumir que todos os testes ausentes foram saudáveis. (Otimista)
Pior Caso: Assumir que todos os testes ausentes foram malsaudáveis. (Pessimista)
Analogia: Como adivinhar a nota final de um aluno assumindo que ele gabaritou todos os testes que perdeu, ou que falhou em todos eles.

O Método de "Ausência como uma Categoria":
Em vez de adivinhar, eles trataram o "faltar um teste" como uma categoria única.

Analogia: Em vez de dizer "O Aluno A reprovou em Matemática", você diz "O Aluno A tem o status 'Matemática Ausente'".

O Método dos "Submodelos de Padrão" (Os Grupos Personalizados):
Esta foi a estratégia mais complexa. Eles notaram que os pacientes costumam perder a mesma combinação de testes (por exemplo, se você perdeu o teste de Homocisteína, provavelmente também perdeu o de Proteína C-Reativa). Eles agruparam os pacientes por esses "padrões de ausência" específicos e construíram um pequeno modelo de previsão personalizado para cada grupo.

Analogia: Em vez de um único professor dar nota para a classe inteira, você tem um professor diferente para cada grupo de alunos que perdeu os mesmos testes.

Os Resultados: O Que Funcionou Melhor?

Os pesquisadores testaram essas estratégias para ver qual delas melhor previa quem seria hospitalizado.

Matemática Simples Venceu a IA Sofisticada: Surpreendentemente, uma ferramenta estatística básica chamada Regressão Logística (como uma calculadora padrão) funcionou melhor do que o Random Forest (uma IA complexa e de alta tecnologia que constrói muitas árvores de decisão).
- Por quê? Os dados já haviam sido simplificados em "Saudável" ou "Não Saudável" (sim/não). Não havia dados complexos e não lineares suficientes para a IA sofisticada encontrar padrões ocultos. Foi como usar um supercomputador para resolver uma conta de adição simples; a calculadora era tão boa quanto e mais rápida.
A Surpresa do "Contagem" vs. "Sim/Não": Eles tentaram prever o número exato de visitas ao hospital (0, 1, 2, etc.), mas isso não funcionou melhor do que apenas prever "Eles foram ao hospital? Sim ou Não?".
- Lição: Saber se alguém será hospitalizado é mais fácil de prever do que saber quantas vezes essa pessoa irá.
"Pontuação de Resumo" vs. "Partes Individuais":
- Pontuações de Resumo: Quando combinaram os dez marcadores em um único número (a pontuação do ALI), todas as diferentes formas de lidar com os dados ausentes tiveram um desempenho quase igual. O método da "Proporção" foi ligeiramente o melhor, mas por pouco.
- Partes Individuais: Quando olharam para cada marcador separadamente, os Submodelos de Padrão (os grupos personalizados) tiveram o melhor desempenho nos dados específicos que possuíam (AUC = 0,73).
- O Problema: Quando testaram esses modelos personalizados em novos dados (validação cruzada), eles não se sustentaram tão bem (a AUC caiu para 0,63). É como um aluno que memorizou as respostas de um simulado específico, mas teve dificuldades quando as perguntas mudaram ligeiramente.

A Conclusão

O artigo conclui que:

Dados ausentes são complicados: Você não pode simplesmente ignorá-los ou adivinhar aleatoriamente.
Mantenha a simplicidade: Para este tipo específico de dado de saúde, um modelo estatístico simples funcionou melhor do que o aprendizado de máquina complexo.
A abordagem de "Padrão" é promissora, mas precisa de mais prática: Agrupar pacientes pelos seus padrões específicos de dados ausentes deu os melhores resultados no teste, mas precisa de mais dados para provar que funciona de forma confiável no mundo real.

O Ponto Principal: Os pesquisadores demonstraram com sucesso como construir uma "Pontuação de Saúde da Pessoa Integral", mesmo quando os dados estão incompletos. Eles descobriram que, embora métodos complexos pareçam bons no papel, abordagens simples e personalizadas costumam funcionar melhor para prever visitas ao hospital neste contexto específico. O próximo passo que mencionam é simplesmente tentar colocar esse sistema nos prontuários reais dos hospitais para ajudar os médicos a tomarem decisões.

Resumo Técnico: Predição de Hospitalização a partir de um Índice de Saúde da Pessoa Íntegra com Dados de Prontuário Eletrônico Incompletos

Definição do Problema
A transição de uma assistência reativa para uma proativa depende da identificação de pacientes em risco antes que ocorram crises. Os Prontuários Eletrônicos de Saúde (EHR) oferecem vastos dados para esse propósito, mas sofrem com altas taxas de valores ausentes devido à tomada de decisão clínica (ex: testes solicitados apenas quando necessários) e barreiras de acesso. O Índice de Carga Alostática (ALI), uma medida padronizada de saúde da pessoa íntegra calculada a partir de dez biomarcadores nos sistemas cardiovascular, metabólico e inflamatório, é uma ferramenta promissora para o cuidado preventivo. No entanto, em ambientes observacionais de EHR, nem todos os pacientes realizam todos os dez testes necessários. O cálculo padrão do ALI (contando componentes não saudáveis) trata implicitamente os componentes ausentes como "saudáveis", o que pode representar erroneamente o risco do paciente. Este estudo aborda o desafio de prever a hospitalização de pacientes internados utilizando um ALI derivado de dados incompletos de EHR, avaliando como diferentes estratégias estatísticas e de aprendizado de máquina lidam com componentes ausentes.

Metodologia
O estudo utilizou um conjunto de dados de $n=1000$ pacientes (idades entre 18 e 65 anos) do Atrium Health Wake Forest Baptist Hospital entre março de 2018 e março de 2020. As variáveis de desfecho foram as hospitalizações de pacientes internados durante o período de estudo, modeladas tanto como um indicador binário ( $Y_B$ : pelo menos uma hospitalização) quanto como uma contagem ( $Y_C$ : número de hospitalizações). As covariáveis incluíram idade e sexo biológico.

Os autores avaliaram 32 combinações de técnicas de modelagem e estratégias de tratamento de dados ausentes:

Técnicas de Modelagem:
- Regressão Estatística: Regressão logística (para desfechos binários) e regressão de Poisson/Poisson de Inflação Zero/Binomial Negativa (para desfechos de contagem).
- Aprendizado de Máquina: Classificadores de Floresta Aleatória (Random Forest).
Estratégias de Dados Ausentes:
- Medidas de Resumo (ALI Agregado):
  - Proporção de caso completo: Cálculo da proporção de componentes não ausentes que são não saudáveis, ignorando os valores ausentes.
  - Contagens de não saudáveis e ausentes: Uso da contagem de componentes não saudáveis e da contagem de componentes ausentes como preditores separados.
  - Imputação de melhor/pior caso: Tratar todos os componentes ausentes como saudáveis (melhor caso) ou não saudáveis (pior caso).
- Componentes Separados (Desagregados):
  - Ausência como uma categoria: Inclusão de indicadores para se cada componente está ausente, saudável ou não saudável.
  - Submodelos de padrão: Ajuste de modelos de regressão logística distintos para cada padrão único de dados ausentes observado na coorte (18 padrões identificados), prevendo desfechos com base no submodelo específico que corresponde ao perfil de ausência do paciente.

O desempenho foi avaliado utilizando curvas ROC (Receiver Operating Operating Characteristic) e a Área Sob a Curva (AUC) na amostra total (otimista) e via validação cruzada de 5 dobras (generalizável).

Principais Resultados

Modelagem de Desfecho: A modelagem da hospitalização como um desfecho binário apresentou desempenho comparável ou superior aos modelos baseados em contagem. A regressão logística geralmente superou as Florestas Aleatórias em modelos de medida de resumo, enquanto as Florestas Aleatórias mostraram melhorias marginais em cenários específicos de componentes separados.
Medidas de Resumo: Todos os métodos de medida de resumo (proporção de caso completo, contagens, imputação) apresentaram desempenho semelhante. A proporção de caso completo do ALI alcançou a maior AUC da amostra total de 0,64 (AUC de validação cruzada de 0,63), mas a melhoria em relação aos outros métodos de resumo foi insignificante ( $\le 0,01$ ).
Componentes Separados vs. Resumo: Quando os componentes do ALI foram incluídos separadamente, o desempenho variou significativamente conforme a estratégia de dados ausentes.
- Submodelos de Padrão: Esta abordagem rendeu a maior AUC da amostra total (0,73) utilizando regressão logística. No entanto, não apresentou boa validação cruzada (a AUC caiu para 0,63), sugerindo potencial sobreajuste (overfitting) devido a padrões de ausência raros (alguns com apenas um paciente).
- Floresta Aleatória com Imputação de Melhor Caso: Entre os modelos de componentes separados, este método alcançou a maior AUC de validação cruzada (0,66).
Capacidade Preditiva Geral: O desempenho preditivo em todos os modelos foi razoável a baixo (AUC $\le 0,73$ ). Os autores observam que, embora os submodelos de padrão tenham mostrado promessa em amostra, sua transportabilidade é questionável sem bases de dados maiores para estabilizar os submodelos de padrões raros.

Significância e Alegações
O artigo alega que, embora as medidas de resumo (como a proporção de caso completo) ofereçam interpretabilidade e facilidade de implementação em prontuários clínicos, elas fornecem apenas um poder preditivo razoável. O estudo demonstra que adaptar os modelos para padrões de ausência específicos (submodelos de padrão) pode melhorar a precisão em amostra ao aproveitar a informação contida na própria ausência, que é frequentemente informativa em dados de EHR (Ausência Não Aleatória/MNAR).

No entanto, os autores mantêm-se modestos quanto à utilidade clínica imediata desses modelos complexos. Eles concluem que a abordagem de submodelo de padrão, embora teoricamente superior para capturar riscos granulares, requer conjuntos de dados maiores para validar sua estabilidade e evitar o sobreajuste. A principal contribuição é a avaliação dessas estratégias específicas para lidar com dados incompletos de ALI, sugerindo que implementações futuras devem considerar a desagregação de componentes e a contabilização de padrões de ausência, mas reconhecendo que o desempenho preditivo atual permanece limitado. Os autores propõem que o próximo passo é a implementação no EHR para permitir a predição em escala, apoiada por pesquisas adicionais sobre qualidade de dados e correção de erro de medição.

A Visão Geral: Um "Boletim de Saúde" com Notas Faltantes

O Experimento: 1.000 Alunos e um Quebra-Cabeça Incompleto

As Estratégias: Como Lidar com as Notas Faltantes

Os Resultados: O Que Funcionou Melhor?

A Conclusão

Mais como este