A Clinically Grounded Rule-Based Phenotyping Framework for Identifying Immune-Related Adverse Events in Structured Electronic Health Record Data: A Retrospective EHR Study

Imagine que você é um detetive tentando resolver um mistério dentro de uma biblioteca massiva e caótica. Esta biblioteca não está repleta de romances, mas sim dos registros digitais de milhões de pacientes — seus sintomas, suas medicações e seus resultados de exames. No mundo da medicina moderna, um tipo especial de tratamento contra o câncer chamado "inibidores de checkpoint imunológico" tornou-se um super-herói. Ele desperta o sistema de defesa do próprio corpo para combater o câncer. Mas, às vezes, esse sistema imunológico superdesperto fica um pouco animado demais e começa a atacar partes saudáveis do corpo, como o intestino ou a pele. Esses ataques são chamados de "eventos adversos relacionados à imunidade" (irAEs).

O problema é que o sistema de arquivamento da biblioteca é bagunçado. Não existe uma etiqueta única e clara que diga "Este paciente está tendo um ataque imunológico". Os registros estão espalhados, escritos de formas diferentes por médicos diferentes e, muitas vezes, carecem de detalhes importantes. Se você quiser estudar a frequência com que esses ataques acontecem ou quem está em maior risco, não pode simplesmente pedir à biblioteca uma lista; você tem que construir uma estratégia de busca inteligente para encontrar as pistas escondidas no caos. É aqui que começa a história desta pesquisa: como encontramos esses padrões médicos ocultos em um mar de dados estruturados sem precisar de um supercomputador ou de uma bola de cristal?

---

O Novo Livro de Regras do Detetive

Neste estudo, uma equipe de pesquisadores da Universidade de Utah e do Instituto de Câncer Huntsman decidiu construir um novo tipo de ferramenta de detetive. Em vez de usar inteligções artificiais complexas ou aprendizado de máquina — que pode ser como tentar ensinar um robô a ler uma nota de caligrafia ilegível — eles criaram uma estrutura baseada em "regras". Pense nisso como um checklist muito rigoroso, passo a passo, que um detetive humano poderia seguir para identificar um tipo específico de problema: a diarreia e colite imunomediadas (IMDC).

Os pesquisadores começaram analisando os "livros de regras" oficiais da medicina, conhecidos como diretrizes clínicas. Essas diretrizes dizem aos médicos exatamente o que fazer quando um paciente apresenta uma reação imunológica de moderada a grave. As regras dizem: "Se um paciente receber este tratamento e, em seguida, adoecer, o médico provavelmente interromperá o tratamento e administrará medicamentos anti-inflamatórios fortes (corticoides) para acalmar o sistema imunológico".

A equipe transformou essas regras médicas em um algoritmo de busca digital. O seu "kit de detetive" tinha três pistas principais para procurar nos prontuários eletrônicos de saúde:

1. O Gatilho: O paciente deve ter recebido pelo menos uma dose do medicamento anticâncer que ativa a imunidade.
2. A Reação: O paciente deve ter recebido terapia imunossupressora (como corticoides) dentro de uma janela de tempo específica após o medicamento. Os pesquisadores definiram essa janela para ser entre 30 dias após a última dose, ou durante uma pausa de 30 a 90 dias no tratamento, pois é quando o corpo costuma reagir.
3. A Evidência: O prontuço médico do paciente deve conter "códigos de diagnóstico" específicos (como etiquetas digitais) para coisas como diarreia, colite ou inflamação intestinal.

O Que Eles Encontraram na Biblioteca

A equipe testou este novo livro de regras em um enorme conjunto de dados de quase 100.000 pacientes com câncer de pulmão de células não pequenas avançado. Após filtrar todos os que não se encaixavam nos critérios, restou um grupo de 14.659 pacientes que haviam recebido a terapia imunológica.

Ao rodar o checklist neste grupo, os resultados foram interessantes, mas cautelosos:

• Eles identificaram 576 pacientes (o que representa 3,93% do grupo) que atendiam aos critérios de apresentar uma reação imunológica de moderada a grave.
• Quando adicionaram a pista final — procurando especificamente pelos códigos de diagnóstico relacionados ao intestino — o grupo foi reduzido para 58 pacientes (o que representa 0,40% do grupo total) que provavelmente tinham a condição específica de diarreia e colite imunomediadas.

Por Que os Números Podem Ser Menores do Que o Esperado

Os pesquisadores foram honestos sobre suas descobertas. Eles observaram que o número de pacientes que encontraram foi menor do que o relatado por outros estudos. Eles não culparam sua ferramenta por falhar; em vez disso, explicaram que sua ferramenta foi projetada para ser muito específica. Ela estava procurando pelos casos "barulhentos", onde um médico teve que intervir com medicamentos fortes. É provável que ela tenha perdido os casos "silenciosos", onde um paciente teve uma reação leve que não exigiu a interrupção do tratamento ou o uso de corticoides.

Eles também apontaram que a biblioteca digital que estavam pesquisando possui lacunas. Às vezes, os médicos esquecem de anotar a dose exata de um comprimido que o paciente tomou em casa, ou usam códigos diferentes para o mesmo problema. Como sua ferramenta dependia desses registros estruturados, ela não conseguiu capturar todos os casos, mas capturou todos os que estavam claramente documentados.

A Conclusão

Este estudo sugere que você nem sempre precisa de uma IA sofisticada e cara para encontrar padrões médicos em grandes volumes de dados. Ao simplesmente traduzir o senso comum das diretrizes clínicas em um conjunto lógico de regras, os pesquisadores podem construir uma ferramenta que é fácil de entender, fácil de copiar para outros hospitais e eficaz para identificar efeitos colaterais graves.

Os autores concluem que, embora seu método não seja perfeito e possa perder alguns casos sutis, ele oferece uma maneira prática e "fundamentada" de identificar essas reações perigosas. É um lembrete de que, às vezes, a melhor maneira de resolver um quebra-cabeça complexo não é construir um robô para fazê-lo por você, mas sim construir um conjunto de instruções muito bom e claro que qualquer pessoa possa seguir. Os pesquisadores planejam testar este método mais a fundo e ver se a adição de mais tipos de dados, como resultados de exames laboratoriais ou notas manuscritas de médicos, pode ajudá-los a encontrar ainda mais casos no futuro.