Reconsidering the case against risk prediction in self-harm: routinely collected health data distinguishes groups at higher and lower risk of adverse outcomes following paracetamol overdose

O Dilema do Detetive: Será que os Dados Conseguem Ver a Tempestade Antes de Ela Romper?

Imagine que você é um meteorologista tentando prever uma tempestade súbita e perigosa. No mundo da medicina, especificamente quando as pessoas vão ao hospital após tomar doses excessivas de paracetamol (um analgésico comum) para se ferirem, existe um grande debate sobre se podemos prever a "tempestade" de um futuro suicídio ou de um retorno ao hospital. Durante muito tempo, a regra oficial no Reino Unido tem sido: "Não tente prever". O pensamento era que os dados que os médicos coletam todos os dias — como idade, visitas médicas anteriores e listas de prescrições — são apenas muito ruidosos e inúteis para nos dizer quem está em risco. É como tentar adivinhar o tempo olhando para uma única foto borrada de uma nuvem; os especialistas diziam que a foto simplesmente não tinha detalhes suficientes para ser útil.

Mas e se essa foto na verdade tiver um padrão secreto? E se, ao usar um cérebro de computador superinteligente (aprendizado de máquina) para olhar milhares dessas fotos borradas ao mesmo tempo, pudéssemos identificar uma forma que o olho humano não percebe? Esta é a pergunta que os cientistas têm feito. Eles querem saber se os "dados de saúde coletados rotineiramente" — os registros comuns e cotidianos que os médicos anotam — realmente contêm um sinal oculto que pode separar as pessoas que terão um desfecho ruim daquelas que não terão. Se a resposta for "sim", isso não significa que temos uma bola de cristal, mas pode significar que não deveríamos ter jogado o mapa fora ainda. Se a resposta for "não", então sabemos com certeza que precisamos procurar ajuda em outro lugar.

O Grande Enigma do Paracetamol: Encontrando o Sinal no Ruído

Neste estudo, uma equipe de pesquisadores decidiu colocar a teoria de que "os dados são inúteis" à prova. Eles não tentaram construir uma ferramenta mágica para impedir o suicídio; em vez disso, agiram como detetives procurando por uma única pista. Eles reuniram os registros médicos de 4.095 adultos que compareceram a departamentos de emergência em NHS Lothian (Escócia) entre 2017 e 2023 devido a uma overdose de paracetamol.

Pense nesses registros como uma caixa de quebra-cabeça gigante. Dentro dela havia 37 peças diferentes de informação que um médico já saberia no momento em que o paciente entrasse: sua idade, onde morava (o que dá uma pista sobre o nível de privação da área), quais medicamentos já estava tomando e se já havia consultado um especialista em saúde mental antes. Os pesquisadores alimentaram essas peças do quebra-cabeça em um modelo de computador inteligente chamado "regressão logística elastic-net". Você pode pensar neste modelo como um bibliotecário muito rigoroso que está tentando separar uma pilha enorme de livros em duas pilhas: "Livros sobre pessoas que terão um desfecho ruim" e "Livros sobre pessoas que não terão".

Os pesquisadores observaram três períodos de tempo diferentes após a saída do paciente do hospital:

1. A primeira semana (0–7 dias): Eles morreram ou foram admitidos em uma unidade de saúde mental?
2. O mês seguinte (8–30 dias): Os problemas continuaram?
3. O ano inteiro (31–365 dias): A tempestade finalmente rompeu?

A Grande Descoberta
Os resultados foram surpreendentes. O modelo de computador encontrou um padrão. Não era perfeito, mas era definitivamente melhor do que jogar uma moeda para o alto.

• Na primeira semana, o modelo conseguiu classificar os pacientes corretamente cerca de 65% a 82% das vezes (dependendo de como você mede).
• Na janela de 8 a 30 dias, ficou entre 63% e 90%.
• Ao longo do ano completo, ficou entre 71% e 85%.

No mundo da estatística, uma pontuação de 50% é apenas um palpite. Qualquer coisa acima disso significa que o modelo está realmente vendo algo real. Os pesquisadores descobriram que o modelo era bom em identificar quem estava em maior risco e era muito bom em garantir que os números fornecidos correspondessem aos desfechos da vida real (isso é chamado de "calibração").

De Onde Vieram as Pistas?
Você poderia pensar que o modelo estava apenas olhando para idade ou gênero, como um detetive estereotipado. Mas os pesquisadores descobriram que essa não era a história principal. Os verdadeiros "superpoderes" do modelo vieram de pistas relacionadas à saúde mental. O modelo obteve seus melhores palpites de coisas como:

• Se a pessoa havia recebido prescrição de medicamentos antipsicóticos ou ansiolíticos.
• Se havia um histórico de consulta com um psiquiatra.
• Se havia um diagnóstico de esquizofrenia ou doença hepática relacionada ao álcool.
• Quantos tipos diferentes de medicamentos a pessoa estava tomando (polifarmácia).

A idade ainda era usada pelo modelo, mas não era o fator determinante. O sinal real estava escondido na jornada complexa da saúde mental da pessoa.

O Que Este Artigo Diz (e O Que Não Diz)

É muito importante entender o que este estudo não está dizendo. Os autores não estão alegando que agora podemos prever exatamente qual indivídu de uma pessoa tentará o suicídio em seguida. Eles não estão dizendo que devemos começar a usar este modelo de computador nos hospitais amanhã para decidir quem recebe tratamento.

Na verdade, eles alertam explicitamente contra isso. A precisão do modelo, embora melhor do que o acaso, não é alta o suficiente para ser usada como um juiz final para uma única pessoa. Se você usasse esta ferramenta em uma pessoa, ela ainda poderia errar. O artigo argumenta que as regras atuais do Reino Unido, que dizem "nenhamos ferramentas de previsão de risco", podem estar jogando o bebê fora junto com a água do banho. A regra baseava-se na ideia de que nenhum sinal útil existe nos dados. Este estudo sugere que um sinal útil existe, mas não é forte o suficiente ainda para ser um oráculo independente.

Os pesquisadores também apontam que os dados estruturados "tediosos" que utilizaram (os 37 campos de seleção) têm um limite. É como tentar entender um filme lendo apenas o elenco e o tempo de duração; você perde o enredo, as emoções e os diálogos. As pistas reais e profundas sobre o risco de uma pessoa — como seus pensamentos específicos, seus sentimentos de desesperança ou seu sistema de apoio — geralmente estão escritas no texto livre das notas médicas, não nos campos de seleção. O artigo sugere que, se ensinarmos computadores a ler essas notas (usando algo chamado Processamento de Linguagem Natural), poderemos encontrar um sinal ainda mais forte.

A Conclusão

Então, qual é o veredito? O artigo conclui que a ideia de que "os dados de saúde coletados rotineiramente não contêm nenhum sinal preditivo útil" não é verdadeira. Os dados possuem um sinal; eles podem distinguir grupos de pessoas com maior e menor risco. No entanto, o sinal é atualmente muito fraco para ser usado para tomar decisões de vida ou morte sobre indivíduos isolados.

Os autores estão essencialmente dizendo: "Não fechem o livro sobre esta pesquisa só porque o capítulo atual não é perfeito". Eles estão instando os cientistas a continuarem procurando, talvez ensinando computadores a ler as partes humanas e desestruturadas das notas médicas, em vez de desistir da ideia de que os dados podem ajudar a salvar vidas. A porta para uma melhor previsão ainda está aberta; apenas precisamos de ferramentas melhores para atravessá-la.