PhysioFusion: A Multi-Modal Ensemble using Static Preoperative Variables and Time Series Intraoperative Data to Predict Adverse Events Following Cardiothoracic Surgery

Quando um paciente é submetido a uma cirurgia de grande porte no coração ou nos pulmões, as horas que se seguem são uma janela crítica onde a recuperação do corpo pode estabilizar ou tomar um rumo perigoso. Na unidade de terapia intensiva, as equipes médicas monitoram constantemente um fluxo de informações: o ritmo constante de um coração, a pressão do sangue fluindo através das veias e o equilíbrio químico do próprio sangue. Por décadas, os médicos confiaram em instantâneos estáticos da saúde de um paciente — como sua idade, condições existentes ou resultados de exames de sangue realizados antes da operação — para adivinhar quem poderia ter dificuldades. No entanto, as mudanças momento a momento que ocorrem enquanto o paciente está sob anestesia e durante a cirurgia oferecem um tipo diferente de história, uma que se desenrola em tempo real. A questão central para os pesquisadores tem sido se a combinação desses dois tipos de informação — o histórico fixo da saúde de um paciente e os sinais dinâmicos e variáveis da sala de operação — cria um quadro mais claro de quem está em risco, ou se uma fonte de informação é simplesmente suficiente por si só.

Uma equipe de pesquisadores partiu para responder a isso construindo um novo tipo de sistema computacional projetado para vigiar pacientes após cirurgia toracotórax. Eles chamaram sua criação de PhysioFusion, uma ferramenta que atua como um observador altamente atento, capaz de ler tanto o histórico médico permanente de um paciente quanto os dados vivos e fluidos de sua cirurgia. O sistema foi treinado em uma vasta coleção de registros da Society of Thoracic Surgeons, que incluía detalhes sobre milhares de pacientes. Os pesquisadores alimentaram o computador com dois fluxos distintos de dados: uma lista de fatos estáticos sobre cada paciente, como se ele tinha um histórico de insuficiência cardíaca ou quantos glóbulos brancos possuía, e um fluxo contínuo de números da sala de operação, rastreando coisas como a pressão arterial e a função cardíaca a cada segundo conforme a cirurgia progredia. Para dar sentido a essa complexidade, a equipe não dependeu de um único método. Em vez disso, construíram um ensemble, um grupo de diferentes modelos matemáticos trabalhando juntos. Algumas partes do sistema foram projetadas para encontrar padrões nas listas estáticas, enquanto outras foram especializadas em entender o ritmo e o fluxo dos sinais baseados no tempo, de forma muito semelhante a como um músico pode ler uma partitura versus como ele pode improvisar sobre uma batida.

O objetivo era prever eventos adversos, que são complicações sérias que podem ocorrer na unidade de terapia intensiva após a cirurgia. Quando os pesquisadores testaram seu sistema, descobriram que ele conseguia distinguir entre pacientes que permaneceriam estáveis e aqueles que enfrentariam complicações com um alto grau de precisão. O modelo alcançou uma pontuação de 0,87 em sua capacidade de separar os dois grupos, um nível de desempenho que sugere que é uma ferramenta confiável para triagem. Foi particularmente bom em identificar pacientes que não teriam um desfecho ruim, descartando corretamente complicações para quase todos eles. Esta é uma característica vital para uma ferramenta de triagem, pois dá aos médicos confiança de que um paciente sinalizado como de baixo risco é verdadeiramente seguro, permitindo que foquem seus recursos mais intensos naqueles poucos que precisam deles. O sistema também apontou fatores específicos que foram mais influentes em suas previsões, incluindo se o paciente tinha insuficiência cardíaca antes da cirurgia, se um dispositivo foi necessário para ajudar a bombear o sangue durante a operação, quanto tempo a máquina coração-pulmão foi utilizada e o nível de glóbulos brancos.

No entanto, a descoberta mais surpreendente veio quando os pesquisadores testaram os dois tipos de dados separadamente. Eles esperavam que a combinação do histórico estático com os sinais vivos da sala de operação criaria uma previsão superpoderosa que seria melhor do que qualquer um dos dois isoladamente. Em vez disso, descobriram que os dados estáticos do histórico médico do paciente, quando analisados por conta própria, tiveram um desempenho tão bom quanto o sistema combinado, atingindo a mesma pontuação de 0,87. Os sinais ao vivo da sala de operação, analisados por si mesmos, foram ligeiramente menos eficazes, com 0,83. Essa descoberta sugere que, para este grupo específico de pacientes, os dois tipos de informação atuam como substitutos, em vez de parceiros. Os dados detalhados, momento a momento, da cirurgia não adicionaram novas informações que o histórico estático já não contivesse. Em vez disso, a combinação dos dois simplesmente deslocou o equilíbrio entre detectar cada possível risco e evitar alarmes falsos, alterando a troca entre sensibilidade e precisão sem aumentar a quantidade total de sinal útil.

Uma investigação posterior nos dados ao vivo revelou que nenhum canal de monitoramento individual era o único herói da história. O sistema não dependeu de apenas um número, como frequência cardíaca ou níveis de oxigênio, para tomar suas decisões. Embora a pressão arterial média e a pressão nas veias centrais fossem as peças de informação menos substituíveis, o sistema mostrou que poderia funcionar sem que um sinal específico fosse absolutamente crítico. Essa robustez significa que a ferramenta não é frágil; ela não falha se um monitor falhar. O estudo conclui que, embora sistemas avançados possam integrar fluxos de dados complexos, hospitais que têm acesso apenas a registros de pacientes padrão e dados de registro ainda podem alcançar o mesmo alto nível de precisão de previsão que aqueles com monitoramento completo de séries temporais. O trabalho demonstra que, para prever complicações pós-cirúrgicas neste contexto, uma compreensão profunda da condição pré-existente de um paciente é frequentemente tão poderosa quanto observar o relógio correr durante a cirurgia.