Machine Learning Estimation of Gestational Age at Delivery Using Linked Mother-Infant Electronic Health Records Across Two Health Systems

Este estudo demonstra que modelos de aprendizado de máquina supervisionados, treinados em registros eletrônicos de saúde vinculados de mães e recém-nascidos, podem estimar com precisão e generalidade a idade gestacional ao parto em diferentes sistemas de saúde, fornecendo uma estrutura robusta para apoiar pesquisas em larga escala sobre saúde materna e neonatal.

O essencial

Imagine que você está tentando adivinhar exatamente quanto tempo durou uma gravidez apenas olhando para o prontuário médico de um paciente. Às vezes, o arquivo está sem a data específica do parto esperado, ou as anotações estão bagunçadas e difíceis de ler. Isso é um grande problema para pesquisadores que tentam estudar como os medicamentos afetam os bebês, pois, se eles errarem o timing, todo o estudo pode ficar comprometido.

Este artigo trata da criação de um detetive digital inteligente capaz de determinar a duração da gravidez (idade gestacional) mesmo quando o registro oficial está ausente ou pouco claro.

Veja como os pesquisadores fizeram isso, explicado de forma simples:

1. O Campo de Treinamento: Duas Grandes Bibliotecas

Os pesquisadores não olharam apenas para os arquivos de um hospital; eles usaram duas bibliotecas massivas de registros médicos:

• Centro Médico da Universidade Vanderbilt (VUMC) em Nashville.
• Universidade de Michigan (UMich) em Ann Arbor.

Pense nelas como duas " academias de treinamento" diferentes. Eles pegaram milhões de registros de mães e bebês dessas academias para ensinar seu programa de computador a identificar padrões.

2. O Kit de Ferramentas do Detetive: Que Pistas Ele Usou?

O programa de computador (um modelo de aprendizado de máquina) não apenas adivinhou. Ele procurou pistas específicas nos arquivos, meio que como um detetive montando um quebra-cabeça. Eles testaram três "kits de ferramentas" diferentes para ver qual funcionava melhor:

• Kit A (Apenas a Mãe): Olhou apenas para o histórico da mãe (sua idade, raça, gestações anteriores).
• Kit B (Mãe + Anotações Hospitalares): Adicionou dados hospitalares gerais (como códigos ICD, que são como rótulos abreviados para condições médicas).
• Kit C (O Pacote Completo): Adicionou os dados do bebê também! Isso incluiu o peso ao nascer do bebê, sua "pontuação de Apgar" (uma verificação de saúde rápida logo após o nascimento) e os próprios rótulos médicos do bebê.

A Analogia: Imagine tentar adivinhar quanto tempo um bolo ficou assando.

• O Kit A é como adivinhar baseando-se apenas na experiência do padeiro.
• O Kit B é como olhar para o cartão da receita.
• O Kit C é olhar para o padeiro, a receita, e o tamanho e a textura do bolo pronto. Não surpreendentemente, o Pacote Completo (Kit C) foi o mais preciso.

3. A "Adivinhação Inteligente" vs. A "Adivinhação Média"

Antes de usar sua IA sofisticada, os pesquisadores tentaram um método simples: apenas adivinhar o comprimento médio da gravidez para todos.

• O Resultado: A média simples muitas vezes estava muito errada, como adivinhar que todo bolo leva exatamente 45 minutos para assar, independentemente do tamanho.
• O Resultado da IA: Os modelos de aprendizado de máquina foram muito mais afiados. Eles conseguiram prever a duração da gravidez dentro de uma semana da data real em cerca de 85% a 93% das vezes. Dentro de duas semanas, eles acertaram 94% a 98% das vezes.

4. O Teste "Entre Cidades"

Para garantir que seu detetive não estava apenas memorizando a biblioteca de Nashville, eles enviaram as mesmas regras para a biblioteca de Michigan.

• O Resultado: Funcionou tão bem quanto, e na verdade teve um desempenho ainda melhor em Michigan. Isso prova que o "detetive" não é apenas um especialista local; é um generalista que pode trabalhar em diferentes hospitais.

5. Onde o Detetive Tropeça

O artigo é honesto sobre onde o sistema ainda não é perfeito:

• Bebês Prematuros: O sistema é ótimo para adivinhar a duração de gestações a termo (bebês nascidos no "momento certo"). No entanto, ele luta um pouco mais com bebês nascidos muito cedo (prematuramente). É como se o detetive fosse bom em resolver casos padrão, mas ficasse confuso com mistérios raros e complexos.
• Dados Antigos: O sistema teve melhor desempenho em registros de anos recentes. Isso pode ser porque registros mais antigos (anteriores a 2015) usavam sistemas de codificação diferentes ou tinham tecnologia de ultrassom menos precisa, tornando as pistas mais difíceis de ler.

A Conclusão

O artigo conclui que agora temos uma "calculadora" confiável e portátil que pode preencher as datas de gravidez ausentes em registros médicos. Ao usar uma mistura do histórico da mãe, anotações hospitalares e detalhes do bebê, esta ferramenta pode ajudar os pesquisadores a estudar a segurança da gravidez com muito mais precisão do que antes.

Nota Importante: Os autores afirmam especificamente que esta é uma ferramenta para pesquisa para corrigir dados ausentes em estudos. Eles não afirmam que esta ferramenta deve ser usada por médicos para tomar decisões clínicas imediatas para pacientes individuais em um ambiente hospitalar neste momento. É uma maneira de limpar os dados para que os cientistas possam aprender mais sobre a saúde materna e infantil.

Resumo técnico

Resumo Técnico: Estimativa de Idade Gestacional no Parto por Meio de Aprendizado de Máquina Utilizando Registros Eletrônicos de Saúde Vinculados de Mãe e Bebê

Declaração do Problema
A estimativa precisa da idade gestacional (IG) é crítica para pesquisas sobre saúde na gravidez e na prole, particularmente em estudos de farmacoepidemiologia, onde a definição de janelas de exposição e suscetibilidade fetal depende de um cálculo preciso da duração da gravidez. No entanto, registros eletrônicos de saúde (RES) e bancos de dados de reivindicações administrativas frequentemente sofrem com dados de IG ausentes, incompletos ou errôneos devido a erros de entrada por provedores, falta de documentação de ultrassom ou limitações na infraestrutura do sistema. Essas imprecisões podem levar à má classificação de exposições a medicamentos, introduzindo viés e comprometendo a validade do estudo. Embora pesquisas anteriores tenham focado na estimativa de IG usando dados de reivindicações administrativas, há uma necessidade de aproveitar os dados mais ricos e vinculados de mãe e bebê disponíveis em sistemas RES para melhorar a precisão da estimativa e a generalizabilidade em diversos ambientes de saúde.

Metodologia
Este estudo de coorte retrospectivo desenvolveu e validou algoritmos supervisionados de aprendizado de máquina para estimar a IG no parto utilizando dados de RES vinculados de mãe e bebê de dois sistemas de saúde acadêmicos: Vanderbilt University Medical Center (VUMC, 2005–2025) e a Universidade de Michigan (UMich, 2012–2024).

• Fontes de Dados e Coorte: O estudo utilizou o Research Derivative do VUMC e o banco de dados RES da UMich. As coortes iniciais incluíram 91.471 (VUMC) e 55.733 (UMich) díades mãe-bebê. Após aplicação de critérios de exclusão (manter um bebê por mãe, excluir nascimentos não-vivos e exigir cuidados pré-natais adequados), as coortes analíticas finais consistiram em 54.344 díades no VUMC e 34.345 na UMich.
• Padrão de Referência: As estimativas de Idade Gestacional Clínica (IGC) registradas nos prontuários maternos no momento do parto serviram como verdade fundamental. Esses padrões textuais (por exemplo, "39 semanas 2/7") foram analisados para conversão em dias numéricos.
• Variáveis Preditivas: As características foram derivadas de três fontes:
  1. Prontuários Maternos: Demografia (idade, raça/etnia), códigos ICD para parto prematuro, a termo ou pós-termo, restrição de crescimento fetal e crescimento fetal excessivo.
  2. Dados do Sistema RES: Informações padrão de atendimento e frequências de códigos ICD (codificadas como dias ou consultas distintas).
  3. Prontuários do Bebê: Peso ao nascer, escores APGAR de 1 e 5 minutos e códigos ICD específicos do bebê (prematuro, PIG, BIG).
     Valores ausentes para peso ao nascer e escores APGAR foram imputados usando medianas.
• Configurações do Modelo: Para avaliar o desempenho em diferentes ambientes de dados, três configurações foram testadas:
  • C1 (Materna): Apenas preditores maternos.
  • C2 (Materna + RES): Preditoras maternas + características padrão do RES.
  • C3 (Materna + RES + Pediátrica): Todos os preditores disponíveis, incluindo registros do bebê (representando ambientes de dados vinculados).
• Algoritmos: Random Forest (RF), Gradient Boosting (GB) e um modelo de Ensemble (média das previsões de RF e GB) foram treinados. Os hiperparâmetros foram otimizados via validação cruzada de 5 dobras. Uma transformação quantílica foi aplicada para abordar a distribuição assimétrica à esquerda da IGC.
• Avaliação: O desempenho foi avaliado em conjuntos de teste mantidos de fora, utilizando a proporção de previsões dentro de ±1 semana e ±2 semanas do padrão de referência, e o Erro Absoluto Médio (EAM). O bootstrapping (1.000 reamostragens) foi utilizado para calcular intervalos de confiança de 95%.

Principais Resultados

• Desempenho Geral: O modelo de ensemble alcançou a maior precisão. No conjunto de teste do VUMC, previu a IG dentro de ±1 semana para 85,2% das gestações e dentro de ±2 semanas para 94,3%, com um EAM de 4,4 dias. No conjunto de teste da UMich, o desempenho melhorou para 93,1% (±1 semana) e 97,8% (±2 semanas), com um EAM de 2,8 dias.
• Comparação com Baselines: Os modelos de aprendizado de máquina superaram substancialmente as baselines simples de média e mediana. Por exemplo, no conjunto de teste do VUMC, os modelos de ML melhoraram o EAM em 6,8 a 7,9 dias em comparação com a baseline de média (12,3 dias).
• Impacto dos Preditores: O desempenho melhorou consistentemente à medida que mais fontes de dados foram adicionadas (C1 < C2 < C3). A inclusão de dados específicos do bebê (peso ao nascer, APGAR, códigos ICD pediátricos) forneceu o aumento mais significativo na precisão.
• Análise Temporal e Estratificada:
  • Transição ICD: Os modelos apresentaram melhor desempenho para gestações entregues em ou após 1º de outubro de 2015 (era ICD-10-CM) em comparação com a era ICD-9-CM.
  • Status do Parto: Os modelos apresentaram melhor desempenho para partos a termo e pós-termo. O desempenho foi notavelmente menor para partos prematuros.
  • Generalizabilidade: Os modelos treinados com dados do VUMC e replicados na UMich demonstraram forte portabilidade, com a replicação na UMich mostrando até mesmo maior concordância com o padrão de referência.

Significância e Alegações
Os autores afirmam que este estudo apresenta uma estrutura robusta e generalizável de aprendizado de máquina para estimar a idade gestacional no parto utilizando RES vinculados de mãe e bebê. A significância primária reside em:

1. Aproveitamento de Dados Vinculados: Demonstrar que a combinação de registros maternos e do bebê (configuração C3) supera significativamente os modelos que dependem apenas de dados maternos ou administrativos.
2. Portabilidade e Reprodutibilidade: Replicar com sucesso o pipeline de modelagem em dois sistemas de saúde distintos com diferentes históricos de dados e demografias de pacientes, sugerindo que as associações aprendidas são amplamente generalizáveis e não específicas do local.
3. Utilidade para Pesquisa: Fornecer uma ferramenta confiável para imputar IG em estudos clínicos em grande escala do mundo real onde os dados de IG estão ausentes ou inválidos, reduzindo assim o viés na pesquisa farmacoepidemiológica e perinatal.

O artigo reconhece limitações, incluindo desempenho subótimo para partos prematuros e a exclusão de desfechos de nascimentos não-vivos (natimortos, interrupção) do escopo atual do modelo. Os autores enfatizam que, embora a estrutura seja robusta, trabalhos futuros são necessários para abordar lacunas de desempenho na estimativa prematura e para avaliar viéses potenciais relacionados a disparidades de saúde.