MO-AIWOA-XAI: A Multi-Objective Explainable Diabetes Risk Prediction integrating Feature Optimization and Cross-Dataset Validation

O diabetes é uma condição em que o corpo tem dificuldade em gerir o açúcar, levando a problemas de saúde graves se não for detetado precocemente. Os médicos têm dependido há muito tempo de análises ao sangue e exames físicos para detetar os sinais de alerta, mas estes métodos exigem frequentemente uma visita a uma clínica e a um laboratório. Nos últimos anos, os cientistas voltaram-se para os computadores para ajudar. Ao alimentar programas de aprendizagem automática com registos médicos, os investigadores conseguem ensinar os computadores a identificar padrões que sugerem que uma pessoa está em risco de desenvolver diabetes. No entanto, estes programas de computador agem frequentemente como "caixas negras". Podem dar uma resposta correta, mas não conseguem explicar por que chegaram a essa conclusão. Para que um médico confie no conselho de um computador, ele precisa de compreender o raciocínio por trás dele. Precisa de saber quais fatores específicos, como a idade ou a pressão arterial, inclinaram a balança. Além disso, muitos modelos de computador são treinados apenas com um tipo de dados de pacientes, tornando incerto se funcionariam para um grupo diferente de pessoas.

Uma equipa de investigadores desenvolveu um novo sistema concebido para resolver estes problemas. A sua abordagem, que chamam MO-AIWOA-XAI, foi construída para fazer três coisas ao mesmo tempo: encontrar as pistas de saúde mais importantes, prever o risco de diabetes com alta precisão e explicar exatamente como fez essa previsão. O sistema começa por filtrar uma grande lista de detalhes dos pacientes para encontrar os poucos que realmente importam. Depois, utiliza um programa de aprendizagem inteligente para fazer a sua previsão. Finalmente, gera um relatório claro para o médico, mostrando não apenas o nível de risco, mas também que mudanças um paciente poderia fazer para reduzir esse risco. Os investigadores testaram este sistema em dois conjuntos de dados de pacientes muito diferentes para garantir que funciona de forma fiável.

Os investigadores começaram por reunir duas coleções distintas de informações de pacientes. O primeiro conjunto veio de um grupo de mulheres de ascendência Pima Indian e incluía medições fisiológicas detalhadas, como níveis de glicose, pressão arterial e índice de massa corporal. O segundo conjunto era diferente; focava-se em sintomas de alerta precoce, como sede frequente, perda de peso súbita e visão turva, recolhidos de uma população mista. Estes dois conjuntos de dados representavam diferentes formas como os médicos podem encontrar a doença: um através de resultados laboratoriais e o outro através de queixas dos pacientes. Antes de o computador poder aprender com estes dados, os investigadores tiveram de os limpar. Eles preencheram números em falta, ajustaram as diferenças na forma como os dados foram registados e equilibraram os grupos para que o computador não fosse enviesado para um determinado resultado.

Para encontrar os melhores preditores, a equipa utilizou um método inspirado no comportamento de caça das baleias jubarte. Na natureza, estas baleias trabalham juntas para prender peixes numa rede de bolhas. O algoritmo do computador imita isto ao enviar um grupo de "baleias" virtuais para explorar diferentes combinações de fatores de saúde. Cada baleia testa um conjunto específico de características, como verificar se a idade e a glicose juntas são melhores preditores do que a idade e a pressão arterial. O algoritmo melhora ao longo do tempo, aprendendo quais as combinações que funcionam melhor. Crucialmente, este sistema foi desenhado para procurar dois objetivos simultaneamente: queria a maior precisão possível na previsão da diabetes, mas também queria utilizar o menor número possível de características. Isto é vital para o uso no mundo real, pois os médicos preferem verificações simples e rápidas em vez de painéis de testes complexos e caros.

Após correr este processo de otimização, o sistema identificou um pequeno e poderoso grupo de quatro fatores que carregavam o maior peso: o número de gravidezes que a mulher teve, o seu nível de glicose, a sua pressão arterial e o seu índice de massa corporal. Ao focar-se apenas nestes quatro, o sistema reduziu a quantidade de dados que precisava de processar em cerca de 60 por cento, mantendo, no entanto, a sua capacidade de detetar a doença. Os investigadores treinaram então um modelo de previsão final utilizando estes quatro fatores principais. Para garantir que o modelo estava perfeitamente ajustado, utilizaram uma ferramenta automatizada que testou milhares de configurações diferentes para encontrar aquela que funcionava melhor.

Os resultados deste novo framework foram impressionantes. Quando testado no conjunto de dados Pima Indian, o sistema identificou corretamente casos de diabetes 83,76 por cento das vezes. No segundo conjunto de dados, focado em sintomas precoces, alcançou uma precisão ainda maior de 95,19 por cento. Mais importante ainda, o sistema provou que não estava apenas a adivinhar; era estável. Quando os investigadores testaram o sistema em diferentes fatias dos dados, os resultados permaneceram consistentes. Eles também verificaram se as probabilidades que o computador dava correspondiam à realidade e descobriram que as previsões estavam bem calibradas, o que significa que um risco de 90 por cento significava verdadeiramente uma alta probabilidade da doença.

A parte talvez mais significativa deste trabalho é a explicação. O sistema não diz apenas "risco elevado"; ele diz ao médico o porquê. Utilizando uma técnica chamada SHAP, mostrou que a glicose e o índice de massa corporal eram os fatores mais influentes em todo o grupo de pacientes. Para um paciente individual, o sistema utiliza o LIME para explicar o risco específico dessa pessoa, destacando exatamente quais as suas medições que elevaram a pontuação. Vai ainda um passo além com um método chamado DiCE, que gera explicações contrafatuais. Isto significa que o sistema pode dizer a um paciente o que precisaria de mudar para reduzir o seu risco. Por exemplo, pode mostrar que, se o nível de glicose de um paciente fosse ligeiramente inferior ou se o seu peso fosse ligeiramente reduzido, a previsão do computador mudaria de "diabetes" para "sem diabetes". Isto transforma uma previsão estática numa ferramenta dinâmica de prevenção.

Os investigadores validaram o seu trabalho comparando-o com métodos mais antigos e testando-o através dos dois diferentes conjuntos de dados. Descobriram que a sua abordagem era mais robusta e fiável do que as técnicas padrão. Também confirmaram que as explicações que o sistema dava eram estáveis; se executassem o teste novamente, o sistema apontaria para os mesmos fatores importantes. Esta consistência é essencial para construir confiança em ambientes médicos. O estudo conclui que, ao combinar uma seleção inteligente de características, um modelo de previsão poderoso e explicações claras, é possível criar uma ferramenta que seja simultaneamente precisa e compreensível. Este framework oferece um caminho a seguir para o suporte à decisão clínica, onde os computadores podem auxiliar os médicos não apenas calculando números, mas fornecendo o contexto e o raciocínio necessários para tomar decisões informadas sobre o cuidado do paciente.