Machine learning approach to evaluate the significance of clinical factors and laboratory markers in predicting postpartum hemorrhage

Todos os anos, milhões de mulheres dão à luz e, para a maioria, o processo termina com uma quantidade gerenciável de sangramento. No entanto, para um número significativo, esse sangramento torna-se excessivo e potencialmente fatal, uma condição conhecida como hemorragia pós-parto. Ela continua sendo a principal causa de morte materna em todo o mundo, ceifando milhares de vidas anualmente. O desafio médico reside na imprevisibilidade do evento; embora os médicos consigam identificar grupos de risco amplos, eles lutam para determinar exatamente qual mulher individual sofrerá uma hemorragia perigosa antes que ela aconteça. Para preencher essa lacuna, pesquisadores recorreram ao aprendizado de máquina, um ramo da inteligência artificial onde computadores aprendem a encontrar padrões em vastas quantidades de dados. A esperança é que, ao alimentar um computador com milhares de detalhes sobre a saúde de uma mãe, sua gravidez e seus exames de sangue, a máquina possa detectar sinais de alerta sutis que os médicos humanos ignoram, permitindo uma intervenção mais precoce e precisa.

Uma equipe de pesquisadores no Irã partiu para testar se esses modelos computacionais poderiam prever com sucesso a hemorragia pós-parto usando dados do mundo real de dois grandes hospitais em Teerã. Eles reuniram informações de 604 mulheres que haviam dado à luz, coletando uma ampla gama de detalhes, incluindo idade, histórico médico, o método de parto e resultados laboratoriais específicos colhidos imediatamente após o nascimento. Os pesquisadores estavam particularmente interessados em marcadores como o lactato sérico, uma substância no sangue que aumenta quando o corpo está sob estresse ou não está recebendo oxigênio suficiente, bem como nos níveis de fibrinogênio, uma proteína essencial para a coagulação sanguínea. Eles dividiram as participantes em dois grupos: aquelas que sofreram uma hemorragia e aquelas que não sofreram, e então utilizaram vários algoritmos de aprendizado de máquina para ver se os dados podiam distinguir de forma confiável entre os dois grupos antes que o sangramento ocorresse.

O estudo revelou que certos fatores estavam, de fato, ligados à ocorrência de hemorragia. Os pesquisadores descobriram que as mulheres que sofreram hemorragia pós-parto apresentavam níveis significativamente mais altos de lactato sérico em comparação com aquelas que não sofreram. Eles também observaram que a condição era mais comum em mulheres com pré-eclâmpsia, uma complicação da gravidez que envolve pressão alta, e menos comum em mulheres que tiveram partos prematuros ou que tinham histórico de cesáreas anteriores. Essas descobertas alinham-se com a ideia de que a resposta fisiológica do corpo e sua capacidade de coagular o sangue são centrais para o problema. Os dados mostraram uma conexão clara entre esses marcadores biológicos específicos e o desfecho, sugerindo que o corpo emite sinais mensuráveis quando está caminhando para uma crise hemorrágica.

No entanto, quando os pesquisadores pediram aos modelos de aprendizado de máquina para usar esses sinais para prever o evento, os resultados foram muito menos encorajadores. Apesar dos claros vínculos encontrados nos dados brutos, os modelos computacionais falharam em identificar com precisão quais mulheres desenvolveriam uma hemorragia. O modelo com melhor desempenho, um método estatístico chamado regressão logística, conseguiu classificar o risco ligeiramente melhor do que o acaso, mas perdeu quase todos os casos reais de hemorragia. Em termos práticos, os modelos foram tão cautelosos que rotularam quase todas as mulheres como seguras, efetivamente ignorando as poucas que estavam realmente em risco. Outros algoritmos complexos, incluindo aqueles projetados para encontrar padrões intrincados, não tiveram desempenho melhor, frequentemente falhando em detectar um único caso de hemorragia, enquanto identificavam corretamente a grande maioria das mulheres que permaneceram saudáveis.

Os pesquisadores concluíram que, embora os marcadores biológicos que mediram estejam fortemente relacionados à hemorragia pós-parto, eles não são suficientes por si só para construir uma ferramenta de previsão confiável. Os modelos computacionais conseguiram ver a conexão nos números, mas não puderam traduzir essa conexão em um sistema de alerta útil para pacientes individuais. Isso destaca uma realidade difícil na ciência médica: encontrar uma correlação entre um sintoma e uma doença não significa automaticamente que um computador possa prever a doença antes que ela aconteça. O estudo sugere que, embora esses testes laboratoriais sejam valiosos para entender o que está acontecendo com um paciente durante ou imediatamente após uma hemorragia, eles podem não ser a chave para interrompê-la antes que comece. O caminho para um sistema de previsão funcional provavelmente exige mais dados, diferentes tipos de informações e, talvez, uma melhor maneira de lidar com o fato de que hemorragias graves são eventos raros em comparação com partos normais.