Prediction of Major Clinical Endpoints in Atrial Fibrillation at Primary Care Level using Longitudinal Learning Stances

Este estudo desenvolveu modelos de aprendizado de máquina longitudinais que superaram as pontuações clínicas tradicionais na previsão de eventos adversos em pacientes com fibrilação atrial em cuidados primários, identificando determinantes de risco e propondo uma ferramenta de apoio à decisão clínica.

O essencial

Imagine que o coração de uma pessoa com Fibrilação Atrial (FA) é como um motor de carro que, em vez de bater no ritmo perfeito, fica "tremendo" de forma desordenada. Esse tremor é perigoso porque pode soltar "pedaços" (coágulos) que viajam pelo corpo e entopem vasos, causando um AVC (derrame), ou simplesmente cansar o motor até ele falhar (insuficiência cardíaca).

O problema é que, até agora, os médicos usavam "planilhas de cálculo" antigas para tentar adivinhar o que poderia acontecer com esses pacientes. Era como tentar prever o clima de amanhã olhando apenas para a temperatura de hoje, ignorando se está a chover, se há vento ou se a pressão atmosférica está a mudar.

Este estudo propõe uma nova abordagem, como se trocássemos essa planilha simples por um GPS inteligente e futurista.

Aqui está a explicação do que os investigadores fizeram, ponto por ponto:

1. O Problema: A Foto vs. O Filme

As ferramentas antigas (como o famoso score CHA2DS2-VASc) olhavam para o paciente como se fosse uma fotografia estática. Elas viam: "O senhor tem 70 anos, tem diabetes e pressão alta. Risco: Médio."
Mas a vida não é uma foto, é um filme. O estado de saúde de uma pessoa muda todos os dias. O açúcar no sangue sobe e desce, a medicação é tomada em momentos diferentes, e a função renal pode piorar lentamente ao longo de meses. As ferramentas antigas ignoravam essa evolução temporal.

2. A Solução: O "GPS" de Aprendizado

Os investigadores usaram dados reais de mais de 7.000 pacientes em Portugal (Matosinhos) ao longo de 25 anos. Em vez de olhar apenas para o "agora", eles ensinaram a Inteligência Artificial a olhar para o filme completo da vida do paciente.

Eles criaram modelos de Aprendizado de Máquina (Machine Learning) que funcionam como um detetive muito esperto:

• Não só olham para o que o paciente tem (doenças, idade).
• Mas também quando as coisas aconteceram e como mudaram (ex: "A creatinina subiu 10% nos últimos 3 meses", "O paciente começou a tomar um novo diurético").

3. O Que Eles Previram?

O sistema foi treinado para prever 6 cenários de "acidente" no futuro:

1. AVC (Derrame).
2. Morte por qualquer causa.
3. Morte por problemas cardíacos.
4. Internamento por insuficiência cardíaca.
5. Visitas ao hospital.
6. Síndrome Coronária Aguda (ataque cardíaco).

4. Os Resultados: O GPS Ganhou da Planilha

Quando testaram o novo sistema contra as ferramentas antigas:

• Para prever a morte: O novo sistema acertou muito mais (80% de precisão) do que o método antigo (72%). Foi como substituir um mapa de papel por um GPS em tempo real.
• Para prever AVC: O novo sistema também foi melhor (65% vs 59%), conseguindo identificar riscos que as planilhas antigas deixavam passar.

A descoberta interessante: O sistema aprendeu coisas que os médicos nem sempre esperavam. Por exemplo, descobriu que pacientes com peso mais baixo (e não mais alto) tinham mais risco de morrer. Isso parece estranho, mas na verdade faz sentido: muitas vezes, em idosos doentes, perder peso é sinal de que o corpo está a "apagar" (frailidade), e não de que estão a ficar mais saudáveis. É o chamado "paradoxo da obesidade".

5. A Ferramenta Prática: O Painel de Controle

Não ficou só na teoria. Os investigadores criaram um protótipo de software (uma aplicação web).

• Como funciona: O médico entra com os dados do paciente (idade, exames, medicação).
• O que faz: O sistema processa tudo em segundos e diz: "Atenção, este paciente tem 15% de risco de ter um AVC nos próximos 6 meses".
• Visualização: Mostra gráficos simples para o médico entender porquê (ex: "O risco subiu porque a função renal piorou recentemente").

6. Por que isto é importante?

Imagine que você é um médico num centro de saúde. Você tem 100 pacientes com FA. Com as ferramentas antigas, você tratava todos de forma mais ou menos igual. Com esta nova ferramenta, você consegue olhar para o futuro de cada um individualmente.

• Se o sistema diz que o Sr. João tem alto risco de AVC, você pode intensificar o tratamento antes que ele tenha o acidente.
• Se diz que a Sra. Maria está estável, você evita tratamentos desnecessários.

Resumo Final

Este estudo é como trocar de um oráculo de bola de cristal (que dá palpites genéricos) para um sistema de previsão meteorológica de alta tecnologia (que usa dados históricos e em tempo real para dar avisos precisos).

O objetivo final é ajudar os médicos de família a tomar decisões mais inteligentes, personalizadas e seguras, salvando vidas e evitando internamentos desnecessários para quem sofre de Fibrilação Atrial.

Resumo técnico

Título: Predição de Principais Desfechos Clínicos em Fibrilação Atrial ao Nível dos Cuidados Primários usando Posturas de Aprendizagem Longitudinal

1. Problema e Motivação

A Fibrilação Atrial (FA) é a arritmia cardíaca mais prevalente mundialmente, associada a riscos elevados de AVC, insuficiência cardíaca e mortalidade.

• Limitações Atuais: Os métodos tradicionais de predição (como os scores CHA₂DS₂-VASc e HAS-BLED) baseiam-se em sistemas de pontos estáticos ou modelos estatísticos tradicionais que falham em capturar a complexidade dos padrões da FA.
• Falta de Perspetiva Temporal: As abordagens de Machine Learning (ML) de última geração frequentemente ignoram dados longitudinais, reduzindo a capacidade de modelar o comportamento dinâmico e a evolução dos indicadores fisiológicos ao longo do tempo.
• Objetivo: Desenvolver modelos de ML superiores, adaptados a uma coorte longitudinal portuguesa, para prever seis desfechos clínicos adversos e criar uma ferramenta de apoio à decisão clínica.

2. Metodologia

2.1. Dados e Pré-processamento

• Fonte: Registos eletrónicos de saúde (EHR) anonimizados da Unidade Local de Saúde de Matosinhos (ULSM), Portugal, cobrindo cerca de 25 anos.
• Cohorte: 7.203 pacientes com mais de 40 anos, diagnosticados com FA entre 2012 e 2021.
• Variáveis: 167 características incluindo demografia, dados clínicos (laboratoriais, farmacêuticos, cirúrgicos) e contexto temporal.
• Desfechos Alvo: AVC/Embolia Sistémica, Mortalidade por Todas as Causas, Mortalidade Cardiovascular, Internamentos por Insuficiência Cardíaca, Visitas Hospitalares e Síndrome Coronária Aguda.
• Pré-processamento: Limpeza de dados, tratamento de outliers (capping, transformação log), imputação de valores faltantes e engenharia de características. Foram criadas três versões do conjunto de dados:
  1. Estática: Dados num ponto no tempo.
  2. Baseada em Inclinação (Slope): Taxas de variação das variáveis.
  3. Longitudinal: Inclui a variação temporal e o momento exato de eventos (diagnóstico, medicação, exames).

2.2. Modelos de Aprendizagem Automática

• Algoritmos Testados: Naïve Bayes, Regressão Logística, Árvore de Decisão, Random Forest, XGBoost e Perceptron de Múltiplas Camadas (MLP).
• Estratégia de Treino: Os modelos foram treinados para cada desfecho e para cada tipo de conjunto de dados (estático, inclinação, longitudinal).
• Otimização: Utilização de validação cruzada de 5-fold e otimização de hiperparâmetros via Bayesian Optimization, com foco na pontuação F2 (dando mais peso ao recall para minimizar falsos negativos).
• Comparação: Os modelos foram comparados com calculadoras de risco clássicas: CHA₂DS₂-VASc (para AVC) e GARFIELD-AF (para mortalidade e AVC).

2.3. Ferramenta de Apoio à Decisão

• Desenvolvimento de um protótipo com API (FastAPI) e Interface Gráfica (Dash) para permitir a entrada de dados de pacientes e visualização intuitiva das previsões.

3. Principais Contribuições

1. Modelos Temporais: Desenvolvimento de modelos de predição "conscientes do tempo" (time-aware) que integram a evolução longitudinal dos dados, superando abordagens estáticas.
2. Comparação Sistemática: Avaliação rigorosa de modelos de ML contra scores clínicos tradicionais num contexto de cuidados primários.
3. Aquisição de Conhecimento Explicável: Uso de SHAP (SHapley Additive exPlanations) para identificar determinantes de risco específicos da coorte, revelando padrões não óbvios.
4. Protótipo Clínico: Criação de uma ferramenta funcional de apoio à decisão para integração no fluxo de trabalho clínico.

4. Resultados Chave

4.1. Mortalidade por Todas as Causas

• O modelo XGBoost Longitudinal obteve o melhor desempenho com um AUC de 0,779 (para 6 meses).
• Este resultado superou significativamente o score de referência GARFIELD-AF (AUC de 0,715).
• Fatores de Risco Identificados: Idade, histórico de cancro, insuficiência cardíaca, DPOC, e variações temporais na creatinina e glicemia.
• Observou-se o "paradoxo da obesidade" (maior BMI associado a menor risco) e a importância da variação temporal de biomarcadores.

4.2. AVC e Embolia Sistémica

• O modelo de Regressão Logística baseada em Inclinação (Slope-based LR) alcançou o melhor desempenho com AUC de 0,651 (para 1 ano).
• Superou o CHA₂DS₂-VASc (AUC de 0,588) e o GARFIELD-AF (AUC de 0,633).
• A inclusão de variáveis temporais e de inclinação melhorou a capacidade preditiva, destacando a importância de fatores como IMC, pressão diastólica e eGFR.

4.3. Interpretabilidade

• A análise SHAP revelou que, numa coorte altamente medicada, fatores tradicionais como a hipertensão perderam valor preditivo (devido à sua universalidade), enquanto o momento da medicação e a evolução de exames laboratoriais ganharam relevância.
• Fatores como a altura mostraram uma relação inversa consistente com o risco.

5. Significado e Conclusão

• Superação dos Métodos Tradicionais: Os modelos de ML baseados em dados longitudinais demonstraram ser superiores aos scores clínicos convencionais na predição de mortalidade e AVC em pacientes com FA.
• Valor dos Dados Temporais: A integração de dados temporais (momento de eventos, taxas de variação) é crucial para capturar a dinâmica da doença e melhorar a precisão preditiva.
• Aplicabilidade Clínica: O protótipo desenvolvido demonstra a viabilidade de integrar modelos preditivos complexos em ferramentas de uso prático para médicos de cuidados primários.
• Limitações e Futuro: O estudo reconhece limitações na generalização (dados de uma única instituição) e a ausência de alguns dados (tipo de FA, ECGs brutos). Trabalhos futuros focarão na validação externa, integração de dados de ECG e otimização de arquiteturas de Deep Learning para dados irregulares.

Em suma, este trabalho estabelece uma base sólida para a transição de modelos de risco estáticos para sistemas de predição dinâmicos e personalizados, visando melhorar a gestão e prognóstico de pacientes com Fibrilação Atrial.