The EHR Density Index: A new method to control for EHR data inconsistency across patients

Imagine que você está tentando resolver um mistério usando uma biblioteca gigante e bagunçada de prontuários médicos. Esta não é uma biblioteca onde cada livro está organizado de forma impecável; é mais como um sótão caótico onde algumas pessoas deixaram para trás tronos inteiros de diários, fotos e recibos, enquanto outras apenas deixaram cair um único post-it. No mundo da pesquisa médica, esta é a realidade dos "Prontuários Eletrônicos de Saúde" (EHR). Estes são os arquivos digitais que os médicos usam para acompanhar os pacientes, mas como são escritos para o cuidado diário e não para cientistas, eles são frequentemente desiguais. Alguns pacientes, geralmente os muito doentes, têm páginas e páginas de dados porque visitam o hospital constantemente. Outros, que são mais saudáveis ou apenas consultam um médico uma vez por ano, possuem registros muito escassos.

Por muito tempo, os pesquisadores tentaram consertar essa bagunça usando uma ferramenta chamada "Índice de Comorbidade de Charlson" (CCI). Pense no CCI como um "escore de doença". Ele observa o prontuário de um paciente e conta quantas doenças graves a pessoa possui. A ideia é que, se você souber o quão doente alguém está, pode compará-la de forma justa com outras. Mas aqui está o detalhe: o CCI apenas mede o quão doente uma pessoa está, não o quanto sabemos sobre ela. Se uma pessoa muito doente visita apenas um especialista que não anota muitos detalhes, o CCI pode dizer que ela está doente, mas o registro parecerá vazio. Isso cria um problema complicado: o desfecho de um paciente é diferente porque ele está mais doente ou apenas porque seu arquivo médico é mais fino? Os cientistas precisam de uma maneira de medir a própria "espessura" do arquivo, separadamente da doença contida nele.

É aqui que uma equipe de pesquisadores da Universidade da Carolina do Norte entra com uma nova ideia chamada Índice de Densidade de EHR (EDI). Eles perceberam que, para obter resultados justos de dados médicos, você precisa saber não apenas a saúde do paciente, mas também o "volume" de sua papelada. Eles construíram um sistema para medir exatamente quanta informação está compactada no arquivo de um paciente para cada ano, ajustando para a frequência com que essa pessoa realmente visita o médico.

A História do "Detetive de Papelada"

Os pesquisadores começaram com uma pilha massiva de dados: os prontuários médicos de 24.987 pacientes adultos do UNC Health, cobrindo os anos de 2018 a 2024. Eles queriam criar uma nova ferramenta que pudesse dizer: "Este paciente tem muitos dados" ou "Este paciente tem muito pouco", sem confundir isso com "Este paciente está muito doente".

Para fazer isso, eles não apenas contaram linhas de texto. Eles agiram como detetives classificando as pessoas em grupos baseados em como elas interagem com o sistema de saúde. Eles usaram um truque matemático sofisticado chamado "Modelo de Mistura Gaussiana" (pense nisso como uma máquina de classificação inteligente) para agrupar os pacientes em quatro "clusters de utilização" distintos, baseados em seus padrões de visita:

1. Internação Alta: Pessoas com muitas ou longas estadias hospitalares.
2. Internação Moderada: Pessoas que vão ao hospital ocasionalmente.
3. Ambulatorial Regular: Pessoas que consultam médicos em clínicas em tempos constantes e previsíveis.
4. Ambulatorial Irregular: Pessoas que visitam raramente e em tempos imprevisíveis.

Uma vez que os pacientes foram classificados nesses grupos, os pesquisadores observaram a "densidade" de seus registros. Eles perguntaram: "Dentro deste grupo específico de pessoas, este indivíduo tem mais ou menos papelada do que a média?" Eles verificaram quatro tipos específicos de pistas médicas: condições (diagnósticos), medicamentos (fármacos), medições (como exames de sangue) e procedimentos (como cirurgias ou raios-X).

Se um paciente no grupo "Ambulatorial Regular" tivesse muito mais resultados de laboratório e notas de medicação do que seus vizinhos, ele recebia uma "pontuação de densidade" alta. Se tivesse menos, recebia uma pontuação baixa. Essa pontuação é chamada de "resíduo", que é apenas uma palavra sofisticada para "o quão distante eles estão da média".

O Que Eles Descobriram

A equipe descobriu algo fascinante: estar doente e ter um arquivo espesso estão relacionados, mas não são a mesma coisa.

Eles verificaram se o "escore de doença" (CCI) poderia prever o "escore de papelada" (EDI). Descobriram que, embora pacientes mais doentes tendam a ter mais visitas e, consequentemente, mais dados, a conexão é fraca. Na verdade, encontraram muitos pacientes que eram muito doentes, mas tinham registros muito escassos, e outros que eram menos doentes, mas tinham arquivos incrivelmente detalhados.

O artigo argumenta explicitamente contra a ideia de que o antigo "escore de doença" (CCI) é suficiente para corrigir o problema dos dados. Os autores mostram que o CCI é ótimo para dizer o quão doente alguém está, mas é terrível para dizer quanta informação realmente existe em seu arquivo. Um paciente com um escore de doença alto ainda pode ter um arquivo "fino" se não visitar o hospital com frequência, e o CCI não consegue enxergar isso. O EDI, no entanto, detecta esse arquivo fino imediatamente.

Os pesquisadores também mostraram que o EDI não é um substituto para o CCI. Em vez disso, é um companheiro. Imagine que você está assando um bolo. O CCI é a farinha (o ingrediente principal da doença) e o EDI é a xícara de medida (dizendo quanto do ingrediente você realmente tem). Você precisa de ambos para obter o resultado correto. Se você usar apenas a farinha sem medir, seu bolo pode ser um desastre.

Por Que Isso Importa

Os autores sugerem que o uso do EDI junto com o CCI pode ajudar os cientistas a pararem de cometer erros. No passado, se um estudo descobria que um determinado medicamento funcionava melhor para algumas pessoas, poderia ser porque essas pessoas tinham arquivos "mais espessos", onde os médicos anotavam mais detalhes, e não porque o medicamento realmente funcionava melhor. Ao adicionar o EDI à sua matemática, os pesquisadores podem "controlar" essa desigualdade.

O artigo não afirma ter resolvido todos os problemas da pesquisa médica. Eles admitem que seus números específicos podem não funcionar perfeitamente para todos os hospitais do mundo, porque diferentes hospitais escrevem as coisas de maneiras diferentes. Eles incentivam outros cientistas a pegar seu método e "retreiná-lo" em seus próprios dados locais. Eles também observam que sua ferramenta atual olha apenas para dados estruturados (como caixas de seleção e códigos) e ainda não lê as notas de texto livre que os médicos escrevem com suas próprias palavras.

Em resumo, o Índice de Densidade de EHR é uma nova régua para medir a "espessura" da história médica de um paciente. Ajuda os pesquisadores a entender que só porque um arquivo é fino, não significa que o paciente esteja saudável; pode ser apenas que a história ainda não foi escrita. Ao usar essa nova ferramenta, os cientistas esperam tornar suas descobertas mais precisas, justas e confiáveis para todos.