Trade-offs in Cardiovascular Risk Prediction Using Race and Social Determinants of Health

Este estudo de coorte retrospectiva demonstra que, embora modelos de risco cardiovascular sem raça ou que utilizam determinantes sociais da saúde melhorem as métricas de paridade, eles podem gerar danos clínicos concentrados em pacientes negros, como subtratamento ou supertratamento sistemático, evidenciando que métricas populacionais médias não capturam totalmente as consequências equitativas dessas escolhas.

O essencial

Imagine que os médicos têm uma bola de cristal (um algoritmo de computador) para tentar prever quem terá um ataque cardíaco nos próximos 10 anos. Se a bola de cristal disser que o risco é alto, o paciente recebe um remédio preventivo (como estatinas) para se proteger.

O problema é: como essa bola de cristal deve ser feita para ser justa e precisa?

Este estudo investiga três maneiras diferentes de montar essa bola de cristal, focando em como tratar a raça e as condições sociais das pessoas (como pobreza, moradia e discriminação).

Aqui está a explicação simples do que eles descobriram:

1. As Três Receitas da Bola de Cristal

Os pesquisadores testaram três versões diferentes da "fórmula mágica":

• Receita 1 (A Tradicional): Usa dados médicos (pressão, colesterol) E diz explicitamente se a pessoa é Negra ou Branca.
• Receita 2 (A Social): Usa dados médicos, mas troca a raça por dados sociais (se a pessoa tem dinheiro, se mora em um bairro seguro, se sofreu discriminação). A ideia é que a "vida social" explica o risco melhor do que a cor da pele.
• Receita 3 (A "Neutra"): Usa apenas dados médicos. Ignora totalmente a raça e os dados sociais. É a versão que muitos hospitais estão adotando agora para evitar preconceito.

2. O Grande Truque: A Precisão vs. A Justiça

A primeira surpresa foi que todas as três receitas eram igualmente boas em prever o futuro de forma geral. Se você olhasse apenas a média de todos os pacientes, nenhuma parecia melhor que a outra.

Mas, quando os pesquisadores olharam de perto para quem ganhava ou perdia o tratamento, a história mudou completamente. Foi como se as três bolas de cristal estivessem apontando para lugares diferentes, mesmo que dissessem a mesma coisa sobre o "clima geral".

O que aconteceu com a Receita 2 (Trocar Raça por Dados Sociais)?

• A Analogia: Imagine que você tenta explicar por que um carro quebrou olhando apenas para o asfalto (o bairro) em vez de olhar para o motorista (a pessoa).
• O Resultado: Essa receita foi "gentil demais" com os pacientes Negros. Ela subestimou o risco real deles.
• A Consequência: Muitos pacientes Negros que não teriam um ataque cardíaco foram tratados com remédios desnecessariamente (o chamado "supertratamento"). A receita achou que eles eram mais vulneráveis devido à pobreza, mas não conseguiu capturar o risco biológico real que a raça ajudava a identificar.

O que aconteceu com a Receita 3 (Ignorar Tudo)?

• A Analogia: É como tentar dirigir um carro de noite sem faróis e sem mapa, apenas com a intuição.
• O Resultado: Essa receita foi "rígida demais". Ela ignorou que pacientes Negros, historicamente, enfrentam mais barreiras e têm riscos acumulados que os dados médicos simples não mostram.
• A Consequência: O pior cenário aconteceu aqui. A receita deixou de tratar 4 pacientes Negros que, de fato, tiveram um ataque cardíaco depois. Eles ficaram sem o remédio preventivo porque a fórmula disse que o risco era baixo.

3. A Lição Principal: Não existe "Janela Mágica"

O estudo nos ensina uma lição importante sobre trocas (trade-offs):

• Se você inclui a raça: Você pode identificar melhor quem está em risco, mas corre o risco de parecer preconceituoso ou estigmatizante.
• Se você troca por dados sociais: Você tenta ser mais justo, mas pode acabar tratando pessoas que não precisam e perdendo outras que precisam.
• Se você remove tudo: Você parece "neutro", mas pode estar ignorando desigualdades reais, deixando pessoas vulneráveis sem proteção.

A Metáfora Final:
Pense nisso como um sistema de segurança de um aeroporto.

• Se você parar todos os homens de uma certa etnia (Receita 1), você pode pegar mais terroristas, mas é injusto e ofensivo.
• Se você parar apenas quem parece nervoso ou tem mala pesada (Receita 2), você pode pegar alguns, mas deixar passar outros que estão calmos mas perigosos.
• Se você não parar ninguém baseado em perfil, apenas em comportamento visível (Receita 3), você parece justo, mas pode deixar passar alguém que se encaixa no perfil de risco que você ignorou.

Conclusão Simples

O estudo diz que não existe uma fórmula perfeita. Apenas olhar para a "precisão geral" do computador não basta.

Os autores alertam que, ao remover a raça das equações médicas sem entender as consequências práticas, os hospitais podem estar, sem querer, deixando de salvar vidas de pessoas negras ou tratando pessoas que não precisam.

A mensagem é: antes de mudar a receita médica, precisamos olhar para todos os lados (quem ganha, quem perde, quem é tratado à toa e quem fica desprotegido) para garantir que a tecnologia sirva a todos de verdade, e não apenas pareça justa no papel.

Resumo técnico

Título: Trade-offs na Predição de Risco Cardiovascular Usando Raça e Determinantes Sociais da Saúde

1. O Problema

Os sistemas de saúde estão cada vez mais adotando ferramentas de predição de risco cardiovascular "neutras em relação à raça", motivados pela preocupação de que a inclusão da raça possa reforçar inequidades e normalizar decisões clínicas baseadas em raça. Uma alternativa frequentemente proposta é substituir a raça por Determinantes Sociais da Saúde (DSS), que capturam condições sociais e estruturais que impulsionam disparidades. No entanto, não há estudos que examinem como essas escolhas de design redistribuem o tratamento preventivo no ponto da decisão clínica, especialmente para indivíduos negros que já suportam um fardo cardiovascular desproporcional. A questão central é: a remoção da raça ou sua substituição por DSS melhora a equidade ou causa danos clínicos ocultos?

2. Metodologia

O estudo foi um estudo de coorte retrospectivo utilizando dados do estudo longitudinal Coronary Artery Risk Development in Young Adults (CARDIA), com medidas basais de 2010 e desfechos cardiovasculares até 2021 (período de acompanhamento de 10 anos).

• População: 3.241 adultos negros e brancos sem doença cardiovascular conhecida na linha de base (46% negros, idade média de 50 anos).
• Desfecho Principal: Incidência de doença cardiovascular (DCV) em 10 anos (infarto, AVC, hospitalização por insuficiência cardíaca ou revascularização).
• Modelos Comparados: Foram desenvolvidos três modelos de regressão logística regularizada (LASSO) com validação cruzada:
  1. Modelo 1 (Inclusivo): Preditores clínicos + Raça.
  2. Modelo 2 (Substituição): Preditores clínicos + DSS detalhados (substituindo a raça).
  3. Modelo 3 (Neutro): Apenas preditores clínicos (excluindo raça e DSS).
• Métricas de Avaliação:
  • Desempenho Preditivo: AUC (Área sob a Curva), Log Loss, Sensibilidade, Especificidade.
  • Calibração: Verificação se as probabilidades previstas correspondem aos riscos observados.
  • Justiça (Fairness): Sete métricas baseadas em paridade de grupo (ex: paridade demográfica, odds iguais, impacto dispar).
  • Utilidade Clínica Realizada: Avaliação do impacto na elegibilidade para tratamento na threshold de 7,5% (diretrizes ACC/AHA para terapia com estatinas). Calculou-se o "overtreatment" (tratamento desnecessário) e "undertreatment" (falta de tratamento necessário) por grupo racial.

3. Contribuições Chave

• Avaliação Holística: O estudo vai além das métricas de desempenho médio (como AUC) para analisar como as escolhas de preditores redistribuem benefícios e danos clínicos entre grupos raciais.
• Análise de Utilidade Realizada: Diferente de estudos anteriores que focam em utilidade esperada, este trabalho avalia as consequências reais observadas na coorte, permitindo estimar ganhos e perdas diretos de tratamento.
• Desconstrução de Métricas de Paridade: Demonstra que a melhoria nas métricas de paridade ao remover a raça pode ser mecânica (devido à restrição de estratificação pelo grupo) e não necessariamente reflete uma melhoria na equidade clínica real.

4. Resultados Principais

• Desempenho Preditivo Global: O desempenho geral foi semelhante entre os três modelos (AUC variando de 0,762 a 0,768), indicando que a remoção ou substituição da raça não degradou significativamente a precisão global do modelo.
• Impacto na Decisão Clínica (Threshold de 7,5%):
  • Modelo 2 (Substituição por DSS): Melhorou as métricas de paridade, mas produziu uma subestimação sistemática do risco. Isso resultou em um aumento significativo de overtreatment (tratamento preventivo desnecessário), concentrado principalmente entre participantes negros. Embora tenha reduzido o undertreatment em alguns casos, o custo foi um grande aumento de falsos positivos.
  • Modelo 3 (Remoção Total da Raça): Melhorou ainda mais as métricas de paridade, mas gerou novos casos de undertreatment entre participantes negros. Especificamente, o modelo identificou 4 casos adicionais de DCV não tratada entre negros que teriam sido tratados no Modelo 1, sem compensação de redução de undertreatment em outros grupos.
• Trade-offs de Sensibilidade: Ganhos de sensibilidade para um grupo racial foram consistentemente acompanhados por perdas para o outro. Nenhum modelo melhorou a identificação de indivíduos de alto risco simultaneamente para ambos os grupos.
• Calibração: O Modelo 2 mostrou subestimação sistemática do risco absoluto. O Modelo 3 mostrou leve sobreestimação entre participantes negros.

5. Significado e Conclusão

O estudo conclui que nenhuma dimensão avaliativa única (desempenho, calibração, paridade ou utilidade) captura as consequências completas das escolhas de design de modelos.

• Limitações das Abordagens Atuais: A justificativa conceitual para remover a raça é importante, mas insuficiente sem uma avaliação empírica abrangente. A simples remoção da raça ou sua substituição por DSS não garante equidade clínica; na verdade, pode deslocar o risco de forma prejudicial para populações marginalizadas.
• Implicações Clínicas: A substituição de raça por DSS, mesmo com dados sociais ricos, não recuperou totalmente a sensibilidade necessária para identificar pacientes negros de alto risco. A exclusão total da raça aumentou o risco de subtratamento em negros.
• Recomendação: Sistemas de saúde devem adotar uma avaliação integrada que considere desempenho, calibração, justiça e utilidade clínica real antes de adotar ferramentas neutras em raça. As decisões de design de modelos devem ser transparentes quanto aos trade-offs de benefícios e danos específicos para cada grupo populacional, especialmente para aqueles que já carregam um fardo desproporcional de doença.

Em suma, o artigo alerta que a "equidade" em algoritmos não é binária; mudar os preditores altera quem recebe cuidado, e métricas agregadas podem mascarar danos concentrados em subgrupos vulneráveis.