Early identification of advanced chronicity (MACA) patients using Machine Learning models: a population-based predictive approach for proactive care stratification

Resumo Técnico: Identificação Precoce de Pacientes com MACA Utilizando Aprendizado de Máquina

Definição do Problema
A identificação de pacientes com Condições Crônicas Avançadas (MACA) continua sendo um desafio crítico na prática clínica. As estratégias atuais dependem frequentemente de critérios retrospectivos ou julgamento clínico (ex: ferramenta NECPAL, Índice de Comorbidade de Charlson), o que pode atrasar intervenções personalizadas e oportunas. Esses métodos tradicionais enfrentam limitações na sensibilidade para a identificação em estágios iniciais e têm dificuldade em capturar a natureza multidimensional e dinâmica da cronicidade avançada, particularmente em populações não oncológicas, onde a incerteza prognóstica é alta. Embora os Registros Eletrônicos de Saúde (EHRs) ofereçam um vasto potencial de dados, há uma lacuna notável em estudos que visem especificamente a detecção precoce e proativa de pacientes MACA em ambientes do mundo real e baseados em população utilizando Aprendizado de Máquina (ML).

Metodologia
Este estudo empregou um desenho de coorte observacional retrospectivo no Hospital Universitario Parc Taulí (Sabadell, Espanha) para desenvolver e validar internamente um modelo preditivo baseado em ML.

• Fonte de Dados e População: O conjunto de dados compreendeu 163 pacientes (80 MACA, 83 não-MACA) extraídos dos EHRs hospitalares. Os critérios de exclusão aplicaram-se às unidades de Pediatria, Obstetrícia, Ginecologia, Saúde Mental e Cuidados Intensivos para garantir a coerência clínica com a definição de cronicidade avançada.
• Engenharia de Atributos (Feature Engineering): Inicialmente, foram identificadas 173 variáveis em 24 condições clínicas. Devido a restrições de extração, 80 variáveis foram selecionadas. Crucialmente, variáveis que refletiam o engajamento prévio com cuidados paliativos especializados (Condição 1) foram excluídas para evitar dependências circulares e garantir que o modelo identifique casos previamente não reconhecidos. Dependências hierárquicas entre condições relacionadas (ex: progressão da fragilidade) foram explicitamente incorporadas.
• Pré-processamento: Os valores ausentes foram tratados via imputação pela média (numéricos) ou atribuição de zero (categóricos). As variáveis categóricas passaram por codificação one-hot, e as variáveis contínuas foram padronizadas.
• Seleção de Atributos: Três estratégias (k-best, baixa variância, eliminação recursiva de atributos) reduziram o conjunto de dados para 10 preditores principais.
• Desenvolvimento do Modelo: Foram avaliados 14 algoritmos de classificação supervisionada, incluindo modelos lineares (Regressão Logística, LDA, SVM), métodos probabilísticos (Naïve Bayes) e métodos de ensemble (Bagging, Random Forest, XGBoost, LightGBM, CatBoost, AdaBoost).
• Estratégia de Validação: Foi utilizada uma abordagem de dupla validação: uma divisão treino-teste de 75/25 e uma Validação Cruzada (CV) estratificada de 5 dobras (5-fold). Dado o objetivo de detecção precoce, a sensibilidade (recall) foi priorizada em relação à especificidade para minimizar falsos negativos.

Resultos Principais

• Seleção de Atributos: O modelo final utilizou 10 preditores: dependência absoluta (COND8), declínio funcional/dependência grave (COND9), dependência moderada (COND10), uso de recursos específicos (COND19), síndromes geriátricas graves/médias (COND22/23), identificador de paciente crônico complexo, avaliação de cuidados paliativos ambulatoriais, intervenção de cuidados domiciliares e prescrição de neurolépticos.
• Desempenho do Modelo:
  • Classificador Bagging: Alcançou o desempenho mais consistente com uma sensibilidade de 0,91, precisão de 0,905, F1-score de 0,905 e um AUC-ROC de 0,902 no conjunto de teste.
  • Árvore de Decisão (Decision Tree): Desempenhou-se de forma idêntica ao Bagging no conjunto de teste (Acurácia, Precisão, Recall, F1-score todos em 90,5%; AUC 0,912).
  • Validação Cruzada: A CV de 5 dobras confirmou a estabilidade do modelo. O Bagging mostrou robustez superior com um F1-score médio de 0,919 e AUC média de 0,953, comparado a 0,891 e 0,893 para a Árvore de Decisão, respectivamente.
• Importância dos Preditores: A análise de importância de atributos no modelo Bagging identificou a "dependência absoluta" (peso 0,318) e o "uso de recursos específicos" (peso 0,262) como os preditores mais influentes.

Principais Contribuições

1. Estrutura de Detecção Proativa: O estudo demonstra que modelos de ML podem identificar eficazmente pacientes MACA utilizando dados rotineiros de EHR, mudando da identificação reativa, baseada em eventos, para uma triagem proativa.
2. Modelo Parcimonioso e Interpretável: A pesquisa estabelece que um conjunto reduzido de 10 variáveis clinicamente interpretáveis (focando em declínio funcional, dependência e utilização de recursos) é suficiente para um alto desempenho discriminativo, facilitando a integração clínica.
3. Evitação de Lógica Circular: Ao excluir variáveis relacionadas à identificação prévia de cuidados paliativos, o modelo é desenhado para detectar casos não reconhecidos em vez de simplesmente reproduzir decisões clínicas existentes.
4. Desempenho Robusto de Ensemble: O estudo valida que métodos de ensemble, especificamente o Bagging, oferecem um equilíbrio favorável entre sensibilidade e robustez para esta tarefa clínica específica, superando modelos lineares simples e mostrando maior estabilidade em validação cruzada do que árvores de decisão únicas.

Significância e Alegações
O artigo afirma que seus achados destacam o potencial de ferramentas baseadas em ML para a detecção precoce da cronicidade avançada, oferecendo uma alta capacidade discriminativa (AUC > 0,90) que poderia apoiar a estratificação de cuidados proativa. Os autores sustentam que a capacidade do modelo de utilizar dados rotineiramente disponíveis, combinada com a interpretabilidade de seus preditores, torna-o uma ferramenta de suporte à decisão viável para mudar a entrega de cuidados em direção a um framework mais eficiente e centrado no paciente.

No entanto, os autores mantêm um tom modesto em relação às limitações do estudo. Eles reconhecem explicitamente que o pequeno tamanho da amostra (n=163) restringe a generalização e aumenta o risco de overfitting, apesar da validação interna. Notam que a distribuição de classes quase equilibrada não reflete a prevalência do mundo real, o que pode levar a uma má calibração na prática. Consequentemente, o artigo conclui que, embora os resultados sejam promissores, validações externas em coortes multicêntricas independentes e estudos clínicos prospectivos são essenciais para confirmar a estabilidade, a transportabilidade do modelo e seu impacto real nos desfechos dos pacientes e na alocação de recursos.