Predicting Depression and Anxiety Progression in Multiple Sclerosis from Longitudinal Clinical Data Using Machine Learning

Resumo Técnico: Predição da Progressão de Depressão e Ansiedade na Esclerose Múltipla a partir de Dados Clínicos Longitudinais utilizando Aprendizado de Máquina

Definição do Problema
A depressão e a ansiedade são altamente prevalentes em pacientes com Esclerose Múltipla (EM), afetando aproximadamente 30,5% e 22% da população, respectivamente, mas as ferramentas para prever trajetórias de saúde mental a partir de dados clínicos permanecem limitadas. Embora o aprendizado de máquina tenha mostrado sucesso misto na triagem transversal (AUCs de 0,67–0,73), prever a severidade futura dos sintomas ou a resposta ao tratamento é mais desafiador. Um achado consistente na literatura existente é que a severidade basal domina as predições, refletindo frequentemente artefatos estatísticos como a regressão à média em vez de drivers clínicos acionáveis. Este estudo investiga quais dados estruturados de prontuários eletrônicos (EHR) podem prever em relação à progressão da depressão (PHQ-9) e da ansiedade (GAD-7) na EM, e identifica os limites de tais predições.

Metodologia
Os autores conduziram um estudo de coorte retrospectivo utilizando dados de 18.252 pacientes com EM de um centro médico acadêmico.

• Seleção da Coorte: O estudo utilizou 2.163 pacientes com 7.327 pares de avaliações PHQ-9 válidos e 1.465 pacientes com 3.319 pares GAD-7 válidos. A inclusão exigiu um diagnóstico confirmado de EM e pelo menos um par basal-seguimento com um intervalo de 0,5–1,5 ano.
• Design Temporal: As características basais ($t_0$) foram extraídas de uma janela de $\pm30$ dias, enquanto as características do intervalo foram coletadas entre $t_0$ e o seguimento ($t_1$). O desfecho foi definido como a mudança de pontuação ($\Delta = \text{pontuação}_{t1} - \text{pontuação}_{t0}$), onde valores positivos indicam agravamento e valores negativos indicam melhora.
• Engenharia de Atributos (Feature Engineering): A partir de milhares de candidatos estruturados de EHR (demografia, exames laboratoriais, medicações, utilização, sinais vitais), as características foram filtradas por ausência de dados (>50% removidos) e correlação (Pearson $r > 0,9$). Os modelos finais utilizaram aproximadamente 17–19 características clínicas além da pontuação basal.
• Arquitetura do Modelo: Modelos de boosting de gradiente (CatBoost) foram empregados para prever a mudança de pontuação. Os dados foram divididos em 80/20 ao nível do paciente para evitar vazamento de dados (leakage). Os hiperparâmetros foram ajustados via Optuna para minimizar o Erro Quadrático Médio (RMSE).
• Interpretabilidade: Valores SHAP (SHapley Additive exPlanations) foram usados para quantificar a importância das características e interpretar o comportamento do modelo. Para proteger a privacidade, os valores SHAP foram agregados em bins de 10 pacientes para visualização.

Principais Contribuições

1. Desenvolvimento de Modelo: Desenvolvimento e validação de modelos de boosting de gradiente especificamente para prever a mudança de pontuação (trajetória) de depressão e ansiedade em uma grande coorte de EM, em vez de pontuações futuras estáticas.
2. Quantificação da Regressão à Média: Caracterização da severidade basal como o preditor dominante, demonstrando que, embora ela impulsione a predição, uma parte significativa desse efeito reflete a regressão à média estatística (pontuações altas tendem a melhorar; pontuações baixas tendem a piorar).
3. Perfis Preditivos Distintos: Identificação de divergências na importância das características entre os modelos de depressão e ansiedade, revelando que as trajetórias de depressão dependem de subescalas de sintomas, enquanto as trajetórias de ansiedade incorporam fatores físicos da doença.

Resultos

• Desempenho Preditivo: Os modelos alcançaram um desempenho modesto, explicando 22% da variância na mudança de pontuação do PHQ-9 ($R^2=0,22$) e 28% na mudança de pontuação do GAD-7 ($R^2=0,28$). A variância restante é atribuída a fatores não capturados em EHRs estruturados (ex: eventos de vida, suporte social).
• Dominância da Pontuação Basal: A pontuação basal foi a característica individual mais importante (média de $|SHAP|$ de 0,97 para PHQ-9 e 2,16 para GAD-7). No entanto, a decomposição SHAP revelou que a pontuação basal explicava apenas 31% da atribuição preditiva total no modelo PHQ-9 e 59% no modelo GAD-7.
• Idade como Segundo Preditor: A idade emergiu como um segundo preditor consistente em ambos os modelos. Pacientes mais jovens apresentaram valores SHAP positivos, indicando menores melhoras ou maior agravamento independentemente da severidade basal.
• Especificidade de Características:
  • PHQ-9: Dependeu fortemente de subescalas de sintomas além da pontuação total, especificamente auto-estima, energia, sintomas motores e sono.
  • GAD-7: Incorporou fatores clínicos como escores de dor, duração da doença, frequência cardíaca e itens de humor do PHQ, sugerindo uma ligação entre a carga física e as trajetórias de ansiedade.

Significância e Alegações
O artigo afirma que os dados clínicos estruturados sozinhos capturam apenas uma fração dos impulsionadores por trás das trajetórias de saúde mental na EM. Embora a severidade basal seja o preditor estatístico mais forte, ela reflete amplamente a regressão à média em vez de um mecanismo clínico modificável. O estudo conclui que a predição individual significativa requer fontes de dados mais ricas além dos EHRs estruturados, especificamente:

• Notas clínicas (via PLN/NLP) para capturar preocupações do paciente e circunstâncias sociais.
• Resultados relatados pelo paciente coletados fora dos encontros clínicos (ex: fenotipagem digital, avaliações de momento ecológico).
• Integração de dados de sensoriamento passivo (smartphones, rastreadores de atividade) para monitorar o humor e a atividade entre as consultas.

Os autores enfatizam que, embora os modelos identifiquem fatores de risco (como a idade jovem), os principais preditores não são modificáveis. Portanto, o valor clínico reside em identificar pacientes que precisam de intervenção, em vez de descobrir novos alvos de intervenção. O estudo serve como um benchmark para os limites atuais da predição de saúde mental baseada em EHR na EM.