📄 medicine

Auditing missingness and input-outcome circularity in unsupervised clinical phenotyping: an empirical case study in hospitalized traumatic brain injury

Este estudo de caso empírico sobre traumatismo cranioencefálico hospitalizado demonstra que a fenotipagem clínica não supervisionada utilizando dados de escalas rotineiras é altamente sensível ao tratamento de dados ausentes e propensa à circularidade entre entrada e desfecho, instando os pesquisadores a auditar rigorosamente essas escolhas metodológicas antes de atribuir significado clínico aos subtipos derivados.

Autores originais: Likun Yang, Wei Lin, Yan Wu, Liang Zhang, Dan Wang, Yuhai Wang

Publicado 2026-08-10

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Likun Yang, Wei Lin, Yan Wu, Liang Zhang, Dan Wang, Yuhai Wang

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando organizar uma pilha bagunçada de caixas misteriosas em grupos organizados com base no que há dentro delas. No mundo da medicina, os cientistas costem fazer isso com dados de pacientes, um processo chamado "fenotipagem não supervisionada". Em vez de adivinhar quais pacientes são semelhantes, eles usam computadores para encontrar padrões ocultos em pontuações de exames de rotina, como o quão bem um paciente se lembra das coisas, como ele se sente emocionalmente ou com que facilidade consegue se movimentar. O objetivo é descobrir "subgrupos" naturais de pacientes que os médicos possam usar para oferecer um cuidado melhor e mais personalizado.

No entanto, existem dois obstáculos sorrateiros que podem arruinar o trabalho de detetive. Primeiro, os dados raramente são perfeitos; algumas caixas estão com etiquetas ou conteúdos faltando (isso é chamado de "dados ausentes"). Se você apenas adivinhar o que está faltando, pode acabar criando grupos que só existem por causa das suas suposições, e não porque os pacientes são realmente diferentes. Segundo, existe uma armadilha chamada "circularidade". Isso acontece se você usar uma pista específica para classificar as caixas e, depois, agir surpreso ao descobrir que essa mesma pista é a razão principal pela qual as caixas são diferentes. É como separar um baralho de cartas por cor e depois afirmar que descobriu uma nova regra mágica de que "cartas vermelhas são vermelhas".

Uma equipe de pesquisadores decidiu testar o quão bem esses métodos de detetive resistem quando aplicados a registros hospitalares do mundo real de pacientes com lesão cerebral traumática (LCT). Eles queriam ver se os grupos de pacientes que o computador encontrou eram reais, estáveis e úteis, ou se eram apenas um castelo de cartas construído sobre números ausentes e lógica circular.

O Grande Experimento de Classificação de Pacientes

Os pesquisadores analisaram 582 pacientes que haviam sido hospitalizados por lesões cerebrais. Eles tinham cinco "boletins de notas" diferentes para cada paciente: testes para memória e pensamento (MMSE e MoCA), testes para depressão (GDS e Hamilton) e um teste para o quão bem podiam realizar tarefas diárias, como comer e vestir-se (Barthel ADL).

Em um mundo perfeito, cada paciente teria uma pontuação para cada um dos cinco testes. Mas na realidade agitada de um hospital, dados ficam faltando. Neste estudo, apenas 17,7% dos pacientes (103 de 582) possuíam todas as cinco pontuações. O teste de depressão e o teste de atividades de vida diária eram os mais propensos a estarem ausentes, aparecendo em quase 40% e 30% dos registros, respectivamente.

A equipe executou um programa de computador padrão para classificar esses pacientes em grupos. O programa, usando um método chamado "imputação pela mediana" (que basicamente preenche as lacunas com o valor central dos dados existentes), decidiu que a melhor maneira de classificar todos era em cinco grupos distintos. Um desses grupos parecia particularmente interessante: um grupo "Hamilton-extremo" de pacientes com pontuações de depressão muito altas.

Mas então, os pesquisadores iniciaram seu "teste de estresse" para ver se esses grupos eram reais ou apenas uma ilusão.

O Teste de Estabilidade: Os grupos se mantêm unidos?
Eles tentaram sacudir os dados selecionando pacientes aleatoriamente repetidas vezes (uma técnica chamada bootstrapping). Se os grupos fossem reais, os mesmos pacientes deveriam continuar caindo nos mesmos grupos todas as vezes. Em vez disso, os grupos desmoronaram como um castelo de areia molhada. As pontuações de estabilidade foram muito baixas (entre 0,211 e 0,454), muito abaixo do limite de 0,75 necessário para dizer: "Sim, este é um grupo sólido". Quando tentaram diferentes algoritmos de classificação, os resultados mal concordavam entre si.

O Teste de Dados Ausentes: O método de preencher as lacunas importa?
Em seguida, eles tentaram preencher as pontuações ausentes usando um método mais complexo chamado "Imputação Múltipla" (MICE), que cria 20 versões diferentes do conjunto de dados com diferentes suposições para os números ausentes. Quando rodaram a classificação nessas 20 versões, os grupos resultantes eram quase completamente diferentes dos cinco grupos originais. A pontuação de concordância foi de um ínfimo 0,157. Isso sugere que os cinco grupos originais não foram uma descoberta da verdadeira natureza dos pacientes, mas sim um reflexo de como os pesquisadores escolheram preencher as lacunas.

O Teste de "Caso Completo": E se olharmos apenas para os dados perfeitos?
Eles tentaram classificar apenas os 103 pacientes que tinham todas as suas pontuações. Quando fizeram isso, o computador não queria mais cinco grupos; ele preferia três. O grupo "Hamilton-extremo", que parecia tão importante no conjunto de dados completo, desapareceu ou mudou completamente. Na verdade, neste grupo menor, os pacientes com altas pontuações de depressão tinham pontuações de memória melhores, o que era o oposto do que a análise original sugeriu. Os pesquisadores concluíram que esse grupo específico de "depressão" era provavelmente um artefato — um padrão falso criado pela forma como os dados ausentes foram tratados.

A Armadilha da Circularidade: Usamos o resultado para definir a entrada?
Finalmente, eles testaram a questão da "circularidade". Na análise original, eles usaram a pontuação de "atividades de vida diária" (Barthel ADL) para ajudar a classificar os pacientes e, depois, verificaram se os grupos eram bons em prever a pontuação de "atividades de vida diária". Sem surpresa, os grupos foram ótimos nisso! A ligação estatística era muito forte.

Mas então, eles removeram a pontuação de "atividades de vida diária" do processo de classificação e usaram apenas os testes de pensamento e humor. Quando tentaram prever a pontuação de "atividades de vida diária" usando esses novos grupos, a ligação desapareceu. A pontuação estatística caiu de um forte 0,395 para um minúsculo 0,005. Isso provou que a "conexão forte" que pensavam ter encontrado não era porque os grupos eram naturalmente diferentes em seu funcionamento; era simplesmente porque haviam usado a pontuação de função para construir os grupos. Foi um caso clássico de olhar no espelho e pensar que se descobriu um novo rosto.

A Conclusão

O estudo conclui que, embora a fenotipagem não supervisionada pareça uma ferramenta poderosa para encontrar novos subtipos de pacientes, ela é incrivelmente frágil. Neste caso específico de lesão cerebral traumática, os "grupos" que o computador encontrou foram altamente sensíveis à forma como os dados ausentes foram tratados e foram, em grande parte, uma ilusão causada pelo uso do resultado como entrada.

Os pesquisadores sugerem que, antes que os médicos comecem a usar esses grupos gerados por computador para tomar decisões clínicas, os cientistas devem realizar uma auditoria rigorosa. Eles precisam verificar se os grupos permanecem estáveis quando os dados são reamostrados, se sobrevivem a diferentes formas de preencher números ausentes e, o mais importante, devem garantir que não estão acidentalmente usando o resultado para definir o grupo. Até que essas verificações sejam feitas, os "subtipos" encontrados em dados hospitalares de rotina devem ser tratados como hipóteses interessantes para investigação, não como fatos comprovados.

Resumo Técnico: Auditoria de Ausência de Dados e Circularidade de Entrada-Desfecho em Fenotipagem Clínica Não Supervisionada

Definição do Problema
Dados de escalas clínicas coletados rotineiramente são cada vez mais utilizados para fenotipagem não supervisionada visando estratificar pacientes e gerar hipóteses. No entanto, esta abordagem sofre de duas vulnerabilidades metodológicas subauditadas:

Sensibilidade a Dados Ausentes: Escalas clínicas raramente são completas. O resultado das soluções de agrupamento (clusters) pode refletir a estratégia específica de imputação em vez da estrutura subjacente do paciente. Embora a imputação múltipla seja frequentemente utilizada, ela não garante a estabilidade de uma partição não supervisionada.
Circularidade de Entrada-Desfecho: Uma variável pode ser usada duas vezes: primeiro como uma entrada para definir os clusters e, segundo, como um desfecho subsequente para validar ou interpretar esses clusters. Esse "uso duplo" pode criar uma associação externa aparente que é, na verdade, um artefato do fato de a variável estar incorporada na definição do cluster, em vez de ser evidência de uma estratificação latente independente.

Os autores postulam que pacientes hospitalizados com traumatismo cranioencefálico (TCE) avaliados com um conjunto de escalas cognitivas, afetivas e funcionais fornecem um cenário empírico para auditar essas questões.

Metodologia
O estudo é uma auditoria metodológica retrospectiva, transversal e de centro único de 582 registros de TCE hospitalares. O conjunto de dados incluiu cinco escalas coletadas rotineiramente: Mini-Exame do Estado Mental (MEEM), Avaliação Cognitiva Montreal (MoCA), Escala de Depressão Geriátrica (GDS) de 15 itens, Escala de Depressão de Hamilton de 17 itens e o Índice de Atividades de Vida Diária (AVD) de Barthel.

Os autores operacionalizaram uma estrutura de auditoria de cinco partes para testar o estresse de um pipeline convencional de fenotipagem não supervisionada:

Pipeline de Referência: Um Modelo de Mistura Gaussiana (GMM) basal foi estabelecido usando imputação pela mediana para valores ausentes, padronização z e Critério de Informação Bayesiano (BIC) para seleção de componentes ( $k=2$ a $7$).
Estabilidade por Cluster: A estabilidade foi avaliada via reamostragem de bootstrap (1.000 iterações) usando coeficientes de Jaccard. Valores abaixo de 0,75 foram considerados insuficientes para interpretação estável.
Concordância entre Métodos: A solução de referência do GMM foi comparada com k-means, agrupamento aglomerativo de Ward e agrupamento espectral usando o Índice Rand Ajustado (ARI).
Sensibilidade à Imputação: O pipeline foi executado novamente em 20 conjuntos de dados gerados via Imputação Múltipla por Equações Encadeadas (MICE). O ARI entre as partições derivadas de MICE e a partição de referência imputada pela mediana foi calculado para avaliar a dependência da estratégia de imputação.
Reagrupamento de Casos Completos: A análise foi repetida no subconjunto de pacientes com dados completos ( $n=103$ ) para verificar se a estrutura de componentes e os fenótipos principais (especificamente um grupo "Hamilton-extremo") persistiam.
Teste de Estresse de Circularidade de Entrada-Desfecho: A variável Barthel AVD foi removida da entrada de agrupamento. O GMM foi reajustado nas quatro escalas cognitivo-afetivas restantes. A associação entre os novos clusters e a gravidade da AVD foi modelada via regressão ordinal e comparada ao modelo original usando o pseudo- $R^2$ de McFadden.

Resultos Principais

Completude dos Dados: Apenas 17,7% (103/582) dos pacientes possuíam dados completos para todas as cinco escalas. A ausência de dados concentrou-se na Escala de Depressão de Hamilton (37,1%) e no Barthel AVD (29,4%).
Instabilidade da Solução de Referência: Embora o GMM de referência tenha selecionado $k=5$ , a solução foi altamente instável. Os coeficientes de Jaccard de bootstrap por cluster variaram de 0,211 a 0,454 (todos abaixo do limiar de estabilidade de 0,75). O consenso entre métodos foi baixo (ARI médio = 0,229).
Dependência de Imputação: A partição de referência foi substancialmente dependente do método de imputação. O ARI médio entre os 20 conjuntos de dados MICE foi de 0,157, bem abaixo do limiar de 0,40 para robustez.
Artefatos de Casos Completos: No subconjunto de casos completos, o BIC favoreceu $k=3$ em vez de $k=5$ . O fenótipo "Hamilton-extremo" identificado no conjunto de dados completo não se replicou; uma regra de adjudicação de dois-de-três o classificou como um artefato.
Colapso da Circularidade: A forte associação aparente entre os clusters originais de cinco variáveis e o status funcional (AVD) colapsou quando a AVD foi removida da entrada de agrupamento. O pseudo- $R^2$ de McFadden para prever a gravidade da AVD caiu de 0,395 (com a AVD na definição do cluster) para 0,005 (com a AVD excluída). Isso indica que a associação original foi impulsionada pela inclusão da variável de desfecho na definição do cluster.

Principais Contribuições
O artigo não propõe uma nova taxonomia de fenótipos de TCE, mas oferece uma estrutura de teste de estresse de cinco partes para auditar estudos de fenotipagem clínica não supervisionada utilizando dados de escalas rotineiras. A estrutura exige:

Mapeamento da ausência de dados ao nível da variável.
Quantificação da estabilidade do cluster (não apenas do ajuste global).
Verificação da concordância entre métodos.
Teste da sensibilidade à estratégia de imputação.
Auditoria da circularidade de entrada-desfecho quando os desfechos subsequentes se sobrepõem às entradas de agrupamento.

Significância e Alegações
Os autores alegam que o ajuste interno do modelo e a interpretabilidade clínica são salvaguardas insuficientes para a fenotipagem não supervisionada. O estudo demonstra que:

Um fenótipo não supervisionado plausível pode ser altamente sensível ao tratamento de dados ausentes e pode não sobreviver ao reamostragem ou a processos de pré-processamento alternativos.
Associações aparentemente fortes entre clusters e desfechos funcionais podem ser explicadas em grande parte pela "circularidade de agrupamento contendo o desfecho", onde o rótulo do cluster adiciona pouca informação além da variável usada para defini-lo.
Pesquisadores devem adotar um padrão de relatório conservador. Antes de traduzir clusters derivados de escalas em subtipos clínicos, os estudos devem relatar padrões de ausência de dados, estabilidade de cluster, sensibilidade de imputação e verificações de circularidade.

O artigo conclui que, na ausência dessas auditorias, os subtipos derivados devem ser tratados como geradores de hipóteses, e não como taxonomias fenotípicas reprodutíveis.

O Grande Experimento de Classificação de Pacientes

A Conclusão

Mais como este