Inferring Optimised Pregnancy Conception Dates from Multiple Gestational Age Estimates: A Hybrid Anomaly Detection and Linear Mixed Model Approach

Resumo Técnico: Inferência de Datas de Concepção Otimizadas a partir de Múltiplas Estimativas de Idade Gestacional

Definição do Problema
A estimativa precisa da idade gestacional (IG) é crítica para a pesquisa perinatal, farmacovigilância e tomada de decisão clínica, particularmente para a classificação de desfechos como parto prematuro e recém-nascidos pequenos para a idade gestacional (PIG). No entanto, em ambientes de baixos recursos, como o Quênia, os dados rotineiros de gravidez são frequentemente caracterizados por registros inconsistentes, acesso limitado ao ultrassom precoce e estimativas conflitantes derivadas de múltiplos métodos (ex: Última Menstruação [DUM], altura uterina, ultrassonografias tardias e avaliações pós-natais). As regras determinísticas tradicionais ou a revisão manual por especialistas utilizadas para resolver esses conflitos não escalam para grandes registros observacionais e falham em abordar adequadamente os vieses sistemáticos e as variações de qualidade de dados inerentes aos conjuntos de dados do mundo real. O desafio central é como sintetizar múltiplas medições de IG, muitas vezes contraditórias e incertas, em uma única data de concepção confiável para cada gravidez sem um "padrão-ouro" universal para cada caso.

Metodologia
Os autores propõem uma abordagem híbrida de dois estágios combinando detecção de anomalias por aprendizado de máquina com modelagem estatística, implementada nos dados do Registro de Exposição à Gravidez MiMBa em 42 instalações de saúde no Condado de Homa Bay, Quênia.

1. Estágio 1: Detecção de Anomalias (Isolation Forest)

   • Objetivo: Identificar e excluir estimativas de IG implausíveis antes da modelagem.
   • Algoritmo: O estudo utiliza o Isolation Forest (IF), um algoritmo de detecção de anomalias não supervisionado. Ele opera no princípio de que anomalias são "poucas e diferentes", exigindo menos divisões aleatórias para serem isoladas no espaço de características em comparação com observações normais.
   • Implementação: Modelos de IF separados foram treinados para distintos grupos de desfecho de gravidez (Nascimento Vivo a Termo, Nascimento Prematuro Vivo, Natimorto, Aborto Espontâneo) para considerar as variações nas distribuições de IG.
   • Engenharia de Características: As entradas incluíram estimativas brutas de IG (DUM, Ultrassom, altura uterina, escore de Ballard, comprimento do pé) e características derivadas, tais como IG na data esperada do parto, IG no parto real, escores-z em relação às distribuições populacionais e desvios de intervalos biológicos esperados.
   • Otimização: Os hiperparâmetros (taxa de contaminação, número de estimadores, amostras máximas) foram ajustados via busca em grade (grid search) para maximizar o coeficiente de silhueta, garantindo a separação ideal entre clusters normais e anômalos.
   • Validação: Um esquema de validação cruzada de 5 dobras foi utilizado, e as anomalias sinalizadas passaram por revisão manual por clínicos para verificar erros de entrada de dados.

2. Estágio 2: Modelagem de Efeitos Mistos Lineares

   • Objetivo: Sintetizar as medições plausíveis restantes em uma única estimativa de "melhor" IG calibrada para cada gravidez.
   • Estrutura do Modelo: Um modelo de efeitos mistos lineares foi ajustado com a IG observada na data do desfecho como a variável dependente.
     • Efeitos Fixos: Incluíram o método de estimativa da IG (para capturar o viés sistemático em relação ao ultrassom do primeiro trimestre) e a categoria de desfecho da gravidez.
     • Efeitos Aleatórios: Incluíram um intercepto aleatório específico para cada gravidez para considerar a correlação intra-gravidez e a variação individual.
   • Calibração: O modelo foi ancorado no ultrassom do primeiro trimestre (US1) como o padrão de referência.
   • Saída: O modelo gera uma Melhor Predição Linear Não Viesada Empírica (BLUP) para cada gravidez. Esta combina a correção de viés de efeito fixo com o intercepto aleatório, efetivamente "emprestando força" de todo o conjunto de dados para refinar as estimativas individuais para casos com dados escassos. A data de concepção final é derivada subtraindo esta IG calibrada da data do parto observada.

Principais Resultados

• Qualidade dos Dados e Anomalias: As taxas de anomalias foram distribuídas de forma desigual, sendo significativamente mais altas em desfechos adversos (5,1% em abortos espontâneos) do que em nascimentos vivos a termo (0,5%). Os principais causadores das anomalias foram erros de entrada de dados em registros de clínicas pré-natais (46,8%) e erros de memória da DUM.
• Precisão e Viés dos Métodos:
  • Ultrassom: O ultrassom do primeiro trimestre serviu como o padrão-ouro. Ultrassonografias posteriores mostraram viés sistemático progressivo (aumentando de 3,15 dias no segundo trimestre para 6,41 dias no terceiro trimestre), mas mantiveram alta precisão ao nível individual (Desvio Padrão: 7,5–8,9 dias).
  • Métodos Clínicos/Pós-natais: Métodos como DUM, altura uterina, escore de Ballard e comprimento do pé exibiram viés médio mínimo (< 2 dias) ao nível populacional, mas sofreram de incerteza substancial ao nível individual, com dispersões de variabilidade excedendo 35 dias.
• Desempenho do Modelo: A abordagem híbrida gerou com sucesso uma data de concepção unificada e livre de viés para cada gravidez. Ao agrupar informações através do conjunto de dados, o modelo forneceu estimativas individuais mais confiáveis do que qualquer método isolado poderia oferecer, mesmo para mulheres com dados de ultrassom limitados ou inexistentes.

Significância e Alegações
O artigo afirma que conjuntos de dados de cuidados de rotina, frequentemente descartados devido a problemas de qualidade de dados, podem gerar estimativas de IG confiáveis quando submetidos a uma limpeza de dados e modelagem estatística rigorosas. A principal contribuição é um framework escalável e orientado por dados que:

1. Resolve Conflitos: Sintetiza múltiplos métodos de datação conflitantes em uma métrica única e calibrada sem a necessidade de um padrão-ouro para cada indivíduo.
2. Viabiliza a Farmacovigilância: Ao fornecer datas de concepção individuais mais precisas, o método apoia o alinhamento temporal rigoroso das exposições a fármacos com as janelas de desenvolvimento fetal, o que é essencial para registros de farmacovigilância e estudos observacionais de larga escala onde controles de nível de ensaio clínico estão ausentes.
3. Preenche Lacunas de Recursos: Oferece uma solução para ambientes de baixos recursos onde o ultrassom precoce é escasso, permitindo que pesquisadores utilizem registros de saúde digital existentes para pesquisas perinatais de alta qualidade.

Os autores observam modestamente que, embora a metodologia seja robusta para pesquisa retrospectiva, sua tradução para a prática clínica em tempo real requer a integração desses algoritmos em Prontuários Eletrônicos de Saúde (PES) interoperáveis para fornecer suporte à decisão no ponto de atendimento. Eles também reconhecem limitações quanto à escassez de ultrassom precoce para calibração em grupos de desfechos raros e a necessidade de validação externa em diversos contextos.