Electronic Health Record-Based Estimation of Kansas City Cardiomyopathy Questionnaire Scores in Heart Failure

Este estudo desenvolveu e validou modelos de aprendizado de máquina que estimam com precisão clinicamente significativa as pontuações do Questionário Cardiomiopatia de Kansas City (KCCQ) a partir de dados de registros eletrônicos de saúde, permitindo a avaliação da saúde relatada pelo paciente em populações onde a coleta de dados de pesquisas é incompleta.

O essencial

Imagine que você tem um paciente com insuficiência cardíaca. Para saber como ele está se sentindo de verdade, os médicos normalmente usam um questionário chamado KCCQ. É como uma "pesquisa de satisfação" da vida do paciente: eles perguntam coisas como "Você consegue subir escadas?", "Sente falta de ar?", "Como está o seu sono?". A resposta dá uma nota de 0 a 100. Quanto maior a nota, melhor a vida do paciente.

O Problema:
Muitas vezes, os pacientes não preenchem esse questionário. Eles podem estar muito doentes, sem tempo, ou simplesmente esquecer. É como tentar medir a temperatura de uma sala, mas o termômetro está quebrado ou ninguém o usa. Sem essa nota, os médicos ficam "no escuro" sobre o bem-estar real do paciente, o que dificulta prever se ele vai precisar de hospitalização ou se está piorando.

A Solução Criativa (O "Detetive Digital"):
Os autores deste estudo, da empresa Truveta, tiveram uma ideia brilhante: "E se pudéssemos adivinhar essa nota usando apenas os dados que já temos no prontuário eletrônico?"

Eles criaram um detetive digital (um modelo de Inteligência Artificial) que não precisa perguntar nada ao paciente. Em vez disso, ele olha para o histórico médico do paciente nos últimos meses (como se fosse olhar para as pegadas deixadas no chão) e tenta deduzir a nota do questionário.

Como o Detetive Funciona (A Analogia da Receita de Bolo):
Pense no KCCQ como a nota final de um bolo. Normalmente, você prova o bolo para saber se está bom. Mas o detetive não pode provar. Então, ele olha para os ingredientes e o processo:

• O paciente tem anemia? (Ingredientes ruins)
• Ele foi ao hospital recentemente? (O forno superaqueceu)
• Ele tem problemas de pulmão? (Falta de ar na massa)
• Ele bebe muito álcool ou tem dificuldade para tomar banho sozinho? (O bolo está desmoronando)

O modelo analisou mais de 10.000 pacientes e aprendeu que certas combinações de dados médicos (como exames de sangue, histórico de internações e comorbidades) são como "ingredientes" que indicam exatamente como o paciente estaria se sentindo.

O Que Eles Descobriram:

1. O Tempo Certo: O detetive funciona melhor quando olha para os últimos 240 dias (cerca de 8 meses) de histórico do paciente. Olhar apenas para os últimos 15 dias não foi suficiente, porque a saúde do coração é como o clima: você precisa ver a tendência de longo prazo, não apenas o tempo que está fazendo hoje.
2. Precisão Surpreendente: O modelo conseguiu prever a nota do questionário com uma precisão muito boa. Foi como se o detetive, apenas olhando para as receitas e os ingredientes, conseguisse dizer: "Esse bolo tem 85% de chance de estar delicioso" ou "Esse aqui está com 20% de chance de estar queimado", sem nunca ter provado.
3. Focando nos Mais Frágeis: O modelo foi ajustado para ser especialmente bom em identificar os pacientes que estão muito mal (nota abaixo de 25). Isso é crucial. É como ter um alarme de incêndio que não apita para fumaça leve, mas dispara estrondosamente quando o fogo está grande, garantindo que os pacientes mais graves recebam ajuda imediata.

Por que isso é importante?
Imagine que você tem um hospital gigante. Nem todo mundo preenche o questionário. Com essa ferramenta, o hospital pode olhar para o prontuário de todos os pacientes e dizer: "Olha, o Sr. João não preencheu o papel, mas seus dados mostram que ele está se sentindo muito mal. Vamos chamar ele para uma consulta urgente."

Isso transforma dados frios e secos (exames, códigos de internação) em uma medida de qualidade de vida. É como transformar uma pilha de recibos de supermercado em uma previsão precisa de como a família está se alimentando, sem precisar perguntar a eles.

Resumo em uma frase:
Os pesquisadores criaram um "oráculo de dados" que lê o histórico médico de pacientes com insuficiência cardíaca e consegue estimar, com muita precisão, como eles estão se sentindo, ajudando os médicos a cuidar melhor de quem não consegue (ou não consegue) dizer isso com palavras.

Resumo técnico

Título

Estimativa de Pontuações do Questionário de Cardiomiopatia de Kansas City (KCCQ) Baseada em Registros Eletrônicos de Saúde em Pacientes com Insuficiência Cardíaca

1. Problema e Motivação

O Questionário de Cardiomiopatia de Kansas City (KCCQ) é uma medida validada de desfecho relatado pelo paciente (PRO) essencial para avaliar a qualidade de vida, o fardo de sintomas e o funcionamento físico/social em pacientes com insuficiência cardíaca. Seus escores têm valor prognóstico estabelecido, correlacionando-se fortemente com hospitalizações e mortalidade.

No entanto, a aplicação clínica do KCCQ é limitada pela coleta inconsistente e incompleta de dados na prática clínica rotineira. Barreiras como a condição crítica do paciente, falta de tempo, barreiras linguísticas ou alfabetização resultam em dados esparsos nos Registros Eletrônicos de Saúde (EHR). Isso impede a avaliação abrangente do estado de saúde e a estratificação de risco em nível populacional. O estudo visa preencher essa lacuna desenvolvendo modelos de aprendizado de máquina (ML) para estimar os escores do KCCQ diretamente a partir de dados estruturados de EHR, sem depender da completude de questionários.

2. Metodologia

• Fonte de Dados e Coorte:

  • Utilizou-se o banco de dados da Truveta, agregando dados de mais de 900 hospitais e 20.000 clínicas nos EUA.
  • A coorte final consistiu em 10.889 pacientes únicos com insuficiência cardíaca que tinham pelo menos um escore de resumo do KCCQ registrado (entre 2012 e 2025).
  • Os dados foram filtrados para excluir registros com pontuações inválidas, duplicatas e pacientes sem histórico prévio de EHR.

• Variáveis e Janelas Temporais:

  • Variável Alvo: Escore de resumo geral do KCCQ (0-100).
  • Variáveis Preditivas: Derivadas de dados estruturados de EHR (demografia, condições clínicas, laboratórios, sinais vitais) em 13 janelas temporais históricas distintas (15, 30, 60, ..., 360 dias) anteriores à avaliação do KCCQ.
  • A construção de características seguiu um pipeline padronizado para lidar com dados de alta dimensão e esparsos.

• Abordagem de Modelagem:

  • Algoritmo Base: O Gradient Boosting Baseado em Histograma (HGB) foi selecionado após triagem inicial, superando outros algoritmos (como Random Forest, SVR, XGBoost).
  • Seleção de Recursos: Utilizou-se SHAP (SHapley Additive exPlanations) para redução de dimensionalidade. O HGB-SHAP reduziu o espaço de características de ~11.000-19.000 para apenas 648-796 recursos (menos de 5,5% do original), mantendo a precisão.
  • Validação: Otimização de hiperparâmetros e avaliação de desempenho foram realizados através de validação cruzada aninhada para evitar vazamento de dados.
  • Métricas de Desempenho: Coeficiente de determinação ($R^2$), Erro Absoluto Médio (MAE), Discriminação Ordinal (AUROC) e Calibração para classificação de severidade.
  • Calibração: Uma abordagem de agrupamento por quantis (quantile-binning) foi aplicada post-hoc para melhorar a classificação categórica, ajustando os limiares para equilibrar a sensibilidade nas categorias mais graves sem alterar a ordem das previsões contínuas.

3. Resultados Principais

• Desempenho de Regressão (Escore Contínuo):

  • A janela de observação de 240 dias apresentou o melhor desempenho global, alcançando um $R^2 = 0,522$ e um MAE = 12,485.
  • Isso indica que o modelo explica mais de 52% da variabilidade dos escores do KCCQ, um desempenho superior ao benchmark comum de 15% em estudos clínicos preditivos.
  • Janelas mais longas (60-360 dias) performaram consistentemente melhor do que a janela de 15 dias (que alinha com o período de recordação de 2 semanas do questionário), sugerindo que padrões longitudinais são mais preditivos do que flutuações de curto prazo.

• Classificação de Severidade (Categorias):

  • O modelo demonstrou forte discriminação ordinal (AUROC médio = 0,850).
  • Impacto da Calibração: A calibração post-hoc melhorou significativamente a identificação de pacientes com comprometimento severo (KCCQ < 25). O F1-score para a categoria "Muito Pobre a Pobre" saltou de 0,180 para 0,428.
  • O Kappa Ponderado Quadrático (QWK) melhorou de 0,601 para 0,640, indicando concordância substancial entre as categorias previstas e observadas.

• Análise de Importância de Recursos (SHAP):

  • Os principais preditores incluíram itens específicos do KCCQ (quando disponíveis, embora com 80% de dados faltantes), indicadores de estilo de vida (uso de álcool, atividades diárias), comorbidades respiratórias (DPOC, dispneia) e marcadores fisiológicos (BUN, peptídeos natriuréticos, troponina, saturação de oxigênio).
  • A análise local para os piores 25% dos pacientes mostrou que o uso de álcool e limitações funcionais ganharam importância relativa, destacando-se como fatores críticos para o estado de saúde precário.

4. Contribuições Chave

1. Validação Rigorosa: Estabelecimento de um framework de ML validado para estimar PROs a partir de EHRs rotineiros, superando a dependência de questionários completos.
2. Redução de Dimensionalidade Eficiente: Demonstração de que é possível reduzir a dimensionalidade dos dados em mais de 94% mantendo a precisão clínica, facilitando a implementação computacional.
3. Calibração Clínica: Desenvolvimento de uma estratégia de calibração que prioriza a identificação de pacientes de alto risco (severamente comprometidos), ajustando a distribuição de classes para fins clínicos sem sacrificar a discriminação geral.
4. Insights Temporais: Evidência de que janelas de observação mais longas (ex: 240 dias) capturam melhor a trajetória da doença do que janelas curtas, desafiando a intuição baseada apenas no período de recordação do questionário.

5. Significado e Implicações

Este estudo demonstra que é possível extrair medidas de saúde relatadas pelo paciente de forma escalável a partir de dados clínicos rotineiros. A abordagem proposta permite:

• Extensão da Avaliação: Estender a monitorização do estado de saúde para populações onde os dados de pesquisas são incompletos ou inexistentes.
• Estratificação de Risco: Identificar proativamente pacientes com deterioração funcional ou risco elevado de eventos adversos, mesmo na ausência de um questionário preenchido.
• Equidade Potencial: Oferecer uma ferramenta para avaliar o estado de saúde em grupos demográficos que historicamente têm taxas mais baixas de preenchimento de questionários (devido a barreiras linguísticas, digitais ou de alfabetização).

O trabalho sugere que dados de EHR podem aproximar construtos tradicionalmente medidos por PROs, servindo como um complemento valioso para a gestão de insuficiência cardíaca e avaliação de desfechos cardiovasculares em nível populacional.