Generalizing Major Adverse Cardiovascular Events (MACE) Prediction Across Study Designs Using Ensemble Transfer Learning in 4.2 million US Veterans

As doenças cardíacas continuam sendo a principal causa de morte nos Estados Unidos, ceifando a vida de aproximadamente uma em cada quatro pessoas. Por décadas, os médicos têm dependido de fatores de risco estabelecidos para prever quem pode sofrer um evento cardíaco maior, como um ataque cardíaco, um acidente vascular cerebral ou morte por causas cardiovasculares. Esses fatores incluem idade, sexo, pressão alta, diabetes e níveis de colesterol. Embora essas diretrizes tenham salvado vidas, elas frequentemente têm dificuldade em se adaptar quando aplicadas a diferentes grupos de pessoas ou quando os dados sobre os quais são construídas provêm de diferentes tipos de estudos médicos. Um modelo treinado em um grupo de pacientes pode falar ao ser usado em outro, simplesmente porque a forma como os dados foram coletados criou vieses ocultos. O desafio para a medicina moderna é construir ferramentas de predição que sejam não apenas precisas, mas também robustas o suficiente para funcionar em diversas populações e sistemas de saúde em mudança.

Para enfrentar isso, uma equipe de pesquisadores do Laboratório Nacional de Los Alamos e de vários centros médicos de Assuntos de Veteranos voltou-se para um conjunto massivo de dados contendo os registros médicos eletrônicos de 4,2 milhões de veteranos dos EUA. O objetivo deles era criar uma nova maneira de prever eventos cardiovasculares adversos maiores, ou MACE, que pudesse aprender com diferentes desenhos de estudo e generalizar seus achados para pacientes do mundo real. Eles descobriram que, ao combinar duas formas muito diferentes de observar os dados dos pacientes — uma focada em encontrar as causas biológicas da doença e outra focada em realizar o rastreamento de uma população ampla —, poderiam construir uma ferramenta de predição muito mais forte do que qualquer um dos métodos conseguiria alcançar sozinho.

Os pesquisadores trabalharam com um conjunto de dados que abrangia sete anos e meio de histórico médico de milhões de pacientes. Eles precisavam prever quem sofreria um ataque cardíaco, um acidente vascular cerebral ou uma morte relacionada a problemas cardiovasculares no futuro. Para fazer isso, analisaram uma ampla gama de informações, incluindo resultados de exames laboratoriais, sinais vitais como a pressão arterial, diagnósticos, medicamentos e a frequência com que os pacientes consultavam o médico. Eles organizaram essas informações em blocos de tempo que antecederam a data da predição, criando uma linha do tempo detalhada da saúde de cada paciente.

A equipe enfrentou um problema fundamental: diferentes tipos de estudos médicos capturam aspectos diferentes da saúde. Um tipo de estudo, conhecido como estudo de caso-controle retrospectivo, é excelente para identificar os motores biológicos de uma doença. Nesse desenho, os pesquisadores combinam pacientes que sofreram um evento cardíaco com pacientes semelhantes que não o sofreram, controlando cuidadosamente fatores como idade e a frequência com que visitam o médico. Esse pareamento remove o ruído dos padrões de utilização dos cuidados de saúde, permitindo que os sinais biológicos se destaquem claramente. No entanto, esses grupos pareados nem sempre se assemelham à população geral vista em um consultório médico.

O outro tipo de estudo é uma coorte de rastreamento prospectivo, que observa um grupo amplo de pacientes conforme eles são atendidos em cuidados de rotina. Esse desenho reflete o mundo real, incluindo o fato de que algumas pessoas visitam o médico com frequência, enquanto outras o fazem raramente. Embora isso forneça um quadro realista da população, os dados são frequentemente "ruidosos" porque a frequência das visitas está ligada ao quão doente uma pessoa está, tornando difícil separar a própria doença do comportamento de busca por cuidados.

Os pesquisadores perceberam que tentar usar apenas uma dessas abordagens era limitador. Em vez disso, desenvolveram uma estrutura chamada aprendizado de transferência de conjunto (ensemble transfer learning). Primeiro, eles treinaram vários modelos de aprendizado de máquina diferentes nos dados de caso-controle retrospectivos para aprender os motores biológicos puros da doença cardíaca. Em seguida, pegaram esses modelos e os "ajustaram" (fine-tuned) usando os dados de rastreamento prospectivo. Esse processo permitiu que os modelos se ajustassem aos padrões do mundo real de utilização dos cuidados de saúde, mantendo os insights biológicos centrais que haviam aprendido. É semelhante a como um músico pode praticar uma peça em um estúdio silencioso para dominar as notas e, depois, apresentá-la em uma sala de concertos barulhenta, ajustando seu volume e tempo de acordo com a sala sem perder a música em si.

Os resultados foram significativos. Quando os pesquisadores testaram seus novos modelos combinados em uma coorte prospectiva de veteranos de 2017, os modelos alcançaram um alto nível de precisão, distinguindo melhor entre aqueles que teriam ou não um evento cardíaco do que os métodos padrão anteriores. Os modelos foram particularmente bons em identificar pacientes de alto risco, um grupo que as ferramentas anteriores frequentemente perdiam. Além disso, os modelos permaneceram precisos em diferentes grupos demográficos, incluindo homens e mulheres, e pessoas de diferentes raças e etnias.

Uma descoberta fundamental do estudo foi que os motores biológicos da doença cardíaca identificados nos grupos retrospectivos cuidadosamente pareados foram consistentes com os encontrados nos grupos prospectivos mais amplos. Isso sugere que os mecanismos centrais da doença são estáveis e podem ser aprendidos de um tipo de estudo e aplicados com sucesso a outro. O estudo também destacou que modelos não lineares, que podem capturar interações complexas entre variáveis, tiveram um desempenho superior aos modelos lineares tradicionais. Esses modelos avançados foram capazes de compreender que uma combinação de fatores, como pressão alta e um histórico de dor no peito, criava um risco maior do que a soma das partes individuais.

Os pesquisadores também examinaram como os modelos lidavam com dados ausentes. Nos registros médicos eletrônicos, é comum que certos testes estejam faltando. O estudo descobriu que a ausência de um resultado de teste era frequentemente informativa; por exemplo, se um paciente não realizava uma verificação de pressão arterial há muito tempo, isso poderia indicar uma falta de engajamento com o sistema de saúde, o que por si só é um fator de risco. Os novos modelos foram capazes de usar esses padrões de ausência para melhorar suas predições, enquanto os modelos antigos frequentemente tratavam os dados ausentes como um simples erro a ser ignorado.

Este trabalho demonstra que é possível construir ferramentas de predição clínica que sejam tanto biologicamente fundamentadas quanto praticamente úteis. Ao reconhecer que diferentes desenhos de estudo oferecem forças distintas, os pesquisadores criaram um sistema que aproveita a precisão dos estudos pareados e o realismo do rastreamento amplo. Os modelos resultantes não são apenas mais precisos; eles também são mais adaptáveis. À medida que os sistemas de saúde mudam, novos tratamentos são introduzidos e as populações de pacientes evoluem, esses modelos podem ser atualizados com relativo pouco esforço, garantindo que permaneçam relevantes.

O estudo foi conduzido utilizando dados do Departamento de Assuntos de Veteranos dos EUA, que forneceu um registro longitudinal rico de milhões de pacientes. Embora a população específica de veteranos seja predominantemente masculina e mais velha, a metodologia desenvolvida aqui oferece uma estratégia geral para melhorar a predição de risco em qualquer grande sistema de saúde. Os pesquisadores sugerem que essa abordagem pode ser aplicada a outras doenças crônicas e problemas médicos complexos, proporcionando um caminho para uma medicina mais confiável e personalizada. Ao combinar o melhor de diferentes desenhos de estudo, a equipe mostrou que o aprendizado de máquina pode ir além do simples reconhecimento de padrões para criar ferramentas que realmente compreendem a complexidade da saúde humana.