← Últimos artigos
📄 medicina respiratória

Beyond Padua and IMPROVE: Machine Learning Outperforms Guideline Risk Scores for Prediction of Radiologically Confirmed Hospital-Acquired Venous Thromboembolism

Este estudo demonstra que modelos de aprendizado de máquina treinados em dados de admissão de rotina superam significativamente os escores de risco tradicionais baseados em diretrizes (Padua e IMPROVE) na predição de tromboembolismo venoso adquirido no hospital com confirmação radiológica em uma grande coorte não selecionada de quase 400.000 admissões.

Autores originais: Feng, J., Li, Y., Yu, S., Sun, X.

Publicado 2026-08-28
📖 4 min de leitura☕ Leitura rápida

Autores originais: Feng, J., Li, Y., Yu, S., Sun, X.

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

Todos os anos, milhões de pessoas entram em um hospital para tratamento e, para muitas, o ato de permanecer imóvel ou recuperar-se de uma doença carrega um perigo oculto: a formação de coágulos sanguíneos. Esses coágulos podem viajar através das veias e bloquear o fluxo sanguíneo para os pulmões, uma condição conhecida como tromboembolismo venoso, que é uma das principais causas de morte evitável em hospitais. Os médicos há muito dependem de listas de verificação simples para decidir quem precisa de medicação preventiva. Essas listas fazem algumas perguntas básicas: O paciente tem uma certa idade? Eles têm câncer? Eles são incapazes de se movimentar? Com base nas respostas, uma pontuação é calculada para estimar o risco. Embora essas ferramentas sejam prática padrão, elas frequentemente falham, não identificando muitos pacientes que desenvolverão coágulos e sinalizando outros que estão, na verdade, seguros. O desafio tem sido encontrar uma maneira de enxergar o perigo com mais clareza sem adicionar mais trabalho para a equipe médica sobrecarregada.

Uma equipe de pesquisadores partiu para testar se um programa de computador poderia aprender com os registros hospitalares para prever esses coágulos melhor do que as listas de verificação tradicionais. Eles recorreram a uma enorme coleção de registros médicos desidentificados de um único hospital nos Estados-se Unidos, abrangendo mais de 399.000 internações de adultos entre 2008 e 2022. Para garantir que estivessem estudando novos casos em vez de históricos antigos, focaram apenas em pacientes que nunca haviam tido um coágulo sanguíneo antes. Os pesquisadores não confiaram em códigos de faturamento simples para encontrar os pacientes doentes, pois esses códigos podem ser imprecisos. Em vez disso, construíram um sistema para ler o texto completo de relatórios radiológicos, como exames de tomografia computadorizada e ultrassonografias, procurando pelas palavras específicas que os médicos usam quando confirmam um novo coágulo. Esse processo cuidadoso identificou 1.915 pacientes que desenvolveram um novo coágulo durante sua estadia, uma taxa de aproximadamente cinco casos para cada 1.000 internações.

Os pesquisadores então treinaram dois tipos de modelos de computador para prever esses eventos. O primeiro tipo analisou um instantâneo dos dados do paciente das primeiras 24 horas de sua estadia, incluindo idade, histórico médico, resultados de exames laboratoriais e se realizaram cirurgia. O segundo tipo era dinâmico, o que significa que atualizava sua previsão todos os dias conforme novos resultados laboratoriais e sinais vitais chegavam. Eles compararam esses modelos de computador com as duas listas de verificação de diretrizes mais comuns usadas em hospitais hoje. Os resultados foram impressionantes. As listas de verificação tradicionais tiveram um desempenho insatisfatório, identificando corretamente o risco em apenas cerca de 62% dos casos quando testadas em novos dados. Em contraste, os modelos de computador, que utilizaram os mesmos dados de rotina disponíveis para os médicos, alcançaram um AUC de 0,89. A melhoria foi tão grande que era estatisticamente inegável, mostrando que os modelos de computador podiam detectar padrões nos dados que as listas de verificação simples completamente perdiam.

O estudo também explorou se sistemas de aprendizado profundo mais complexos, que tentam ler toda a sequência das mudanças diárias de um paciente, seriam ainda melhores. Surpreendentemente, esses sistemas complexos não ofereceram vantagem sobre os modelos mais simples que apenas olhavam para os resumos diários. Os pesquisadores descobriram que os modelos mais simples eram igualmente eficazes em capturar os sinais de risco ocultos nos dados. Além disso, os modelos de computador permaneceram superiores mesmo quando os pesquisadores os testaram sob condições rigorosas, como observar apenas pacientes que desenvolveram coágulos mais de um dia após a chegada, ou incluir pacientes que tinham histórico de coágulos. A vantagem dos modelos de computador manteve-se constante em todos esses cenários.

Este trabalho sugere que o futuro da segurança hospitalar pode residir em softwares que rodam silenciosamente em segundo plano, calculando automaticamente o risco no momento em que um paciente é admitido. Diferente das listas de verificação atuais, que exigem que um enfermeiro ou médico preencha manualmente um formulário, esses modelos de computador podem extrair as informações necessárias diretamente do prontuário eletrônico. Embora o estudo tenha sido conduzido em dados históricos e exija mais testes em ambientes hospitalares em tempo real antes de poder ser amplamente adotado, os achados indicam que um salto significativo de precisão é possível. Ao usar os dados que já estão sentados nos computadores dos hospitais, pode em breve ser possível proteger mais pacientes de coágulos sanguíneos sem adicionar um único passo extra à rotina diária do cuidado médico.

Afogado em artigos na sua área?

Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.

Experimentar Digest →