Structured-to-Narrative Representation Framework for Next-Day Discharge Prediction Using Structured EHR Data and Clinical Language Models

No ritmo agitado de um hospital, o momento em que um paciente recebe alta é tão crítico quanto o momento em que ele chega. Para cirurgiões e enfermeiros, saber se um paciente que passou por uma cirurgia de coluna planejada estará pronto para ir para casa no dia seguinte é uma informação vital. Isso permite que a equipe médica coordene os cuidados, gerencie a disponibilidade de leitos e garanta que os recursos sejam usados de forma eficiente. No entanto, prever esse resultado é difícil porque cada paciente é diferente, e a recuperação depende de uma mistura complexa de fatores: o tipo específico de cirurgia realizada, a idade do paciente, sua saúde geral e como seu corpo responde ao procedimento. Tradicionalmente, os computadores tentaram resolver isso analisando linhas e colunas de dados — listas de números e códigos que representam resultados de exames, diagnósticos e procedimentos. Embora esses métodos funcionem bem, eles muitas vezes parecem uma "caixa preta" para os médicos que os utilizam, oferecendo uma previsão sem uma explicação clara do porquê aquela decisão foi tomada.

Uma equipe de pesquisadores da Universidade da Califórnia, em Irvine, explorou uma nova maneira de preencher essa lacuna entre os dados brutos e a compreensão humana. Eles fizeram uma pergunta simples: e se um computador pudesse ler o histórico médico de um paciente não como uma planilha de números, mas como uma história curta e clara? Em seu estudo, publicado em agosto de 2026, os pesquisadores desenvolveram um sistema que pega os dados estruturados dos prontuários eletrônicos — como indicadores binários para saber se um exame laboratorial específico foi solicitado ou se uma cirurgia específica foi realizada — e os converte automaticamente em frases em inglês claro. Eles então treinaram um modelo de computador especializado para ler essas histórias geradas e prever se um paciente receberia alta no dia seguinte. O objetivo não era apenas acertar a resposta, mas fazê-lo de uma forma que espelhe como um médico humano pensa, olhando para a narrativa da condição do paciente em vez de pontos de dados isolados.

Os pesquisadores analisaram os registros de 1.958 adultos que haviam passado por cirurgia de coluna eletiva em um grande centro médico nos Estados-Estados. Para cada paciente, eles coletaram cerca de 600 informações diferentes, incluindo idade, sexo, resultados laboratoriais e os códigos específicos para os procedimentos e diagnósticos envolvidos. Eles excluiram cuidadosamente detalhes pessoais, como raça ou CEP, para garantir que o modelo focasse apenas em fatores médicos. A equipe dividiu esses dados em dois grupos para testar suas ideias. Primeiro, treinaram modelos padrão de aprendizado de máquina, que são como calculadoras poderosas que buscam padrões em números, para prever o resultado. Segundo, construíram um tipo diferente de modelo baseado em uma tecnologia conhecida como transformer, que é projetada para entender linguagem. Este segundo modelo nunca viu os números brutos; em vez disso, ele apenas leu as histórias curtas e geradas que descreviam a situação médica de cada paciente. Essas histórias foram criadas por um conjunto de regras que transformaram pontos de dados em frases, como "O paciente tem 65 anos e passou por um procedimento de fusão específico", omitindo qualquer informação sobre o desfecho final para que o modelo tivesse que aprender a prevê-lo por conta própria.

Quando os pesquisadores compararam os resultados, os modelos tradicionais de aprendizado de máquina provaram ser os mais precisos para distinguir entre pacientes que iriam para casa e aqueles que ficariam. Esses modelos alcançaram um alto nível de discriminação, identificando corretamente o desfecho em cerca de 94 por cento dos casos quando testados em diferentes grupos de pacientes. Eles também foram muito bons em fornecer estimativas de probabilidade confiáveis, o que significa que seus níveis de confiança correspondiam à realidade. O modelo que dependia das narrativas, no entanto, teve um desempenho ligeiramente inferior em termos de precisão bruta, alcançando uma pontuação de discriminação de cerca de 84 por cento. No entanto, esse número menor contava apenas parte da história. O modelo baseado na narrativa mostrou uma força diferente: ele foi muito melhor em identificar os pacientes que seriam dispensados no dia seguinte. Enquanto os modelos tradicionais às vezes perdiam essas altas precoces, o modelo de leitura de histórias identificou com sucesso cerca de 75 por cento delas. Esta é uma distinção crucial em um ambiente hospitalar, onde perder um paciente que está pronto para sair pode atrasar seu cuidado e ocupar um leito desnecessariamente.

O estudo também analisou de perto como esses modelos tomavam suas decisões para garantir que estivessem pensando como médicos. Para os modelos tradicionais, os pesquisadores usaram um método chamado análise SHAP, que destaca quais pontos de dados específicos foram mais importantes para uma previsão. Eles descobriram que os modelos identificaram corretamente que cirurgias mais complexas, idade avançada e resultados laboratoriais instáveis eram os principais motivos para um paciente permanecer internado por mais tempo. Isso coincidia com o que os especialistas médicos já sabiam. Para o modelo de narrativa, o raciocínio estava construído diretamente no texto que ele lia. Quando o modelo previa que um paciente ficaria internado, a história que ele leu provavelmente continha detalhes sobre uma cirurgia de múltiplos níveis difícil ou sinais de estresse fisiológico. Quando previa uma alta, a história descrevia um procedimento mais simples com menos complicações. Esse vínculo direto entre o texto de entrada e a decisão de saída torna o raciocínio do modelo transparente e fácil de ser seguido por um clínico, ao contrário do cálculo oculto da abordagem tradicional.

Uma das descobertas mais significativas do estudo foi que modelos de linguagem genéricos e pré-treinados — aqueles que leram vastas quantidades de texto geral, mas não dados médicos específicos — falharam completamente nesta tarefa. Quando os pesquisadores tentaram usar esses modelos prontos sem nenhum treinamento especial, eles não conseguiram aprender a distinguir entre os dois grupos de pacientes, muitas vezes apenas adivinhando aleatoriamente. Isso confirmou que, embora os modelos de linguagem sejam poderosos, eles precisam ser especificamente ensinados a ler dados médicos para serem úteis em um hospital. Os pesquisadores mostraram que, ao ajustar um modelo especificamente com as histórias de estrutura-para-narrativa derivadas de seus dados de pacientes, eles poderiam criar um sistema que entendesse as nuances da recuperação clínica. O modelo aprendeu a reconhecer que certas combinações de procedimentos e resultados laboratoriais, quando descritas em uma frase, carregavam um significado específico sobre a prontidão do paciente para ir para casa.

Os pesquisadores concluíram que, embora os modelos tradicionais de aprendimento de máquina continuem sendo a ferramenta mais precisa para a previsão pura, a abordagem baseada em narrativa oferece uma alternativa poderosa para o uso no mundo real. Em um hospital movimentado, uma previsão só é tão boa quanto a confiança que a equipe médica tem nela. Um sistema que explica seu raciocínio na mesma linguagem que os médicos usam todos os dias — descrevendo a condição de um paciente como uma série de eventos, em vez de uma lista de códigos — pode ter maior probabilidade de ser adotado e confiado. O estudo sugere que transformar dados estruturados em histórias não apenas torna a saída mais fácil de ler; altera fundamentalmente a forma como o computador processa a informação, alinhando sua lógica mais de perto com o raciocínio clínico humano. Essa abordagem oferece um caminho para integrar a inteligência artificial nos fluxos de trabalho diários dos hospitais, onde o objetivo não é apenas prever o futuro, mas fazê-lo de uma forma que ajude os médicos a tomar decisões melhores e mais informadas para seus pacientes.