A Multimodal Machine Learning Model for Predicting Prolonged Hospital Stay After Total Hip and Knee Arthroplasty：Development, Internal Validation, and External Validation in MIMIC-IV

Os hospitais são ecossistemas vastos e complexos onde o objetivo é sempre curar, mas o caminho para a recuperação raramente é o mesmo para duas pessoas diferentes. Quando um paciente passa por uma cirurgia de substituição de articulação de grande porte, como a troca de um quadril ou joelho desgastados, a equipe médica enfrenta uma questão crítica: quanto tempo essa pessoa precisará ficar no hospital? Uma permanência que se estende demais não é apenas um fardo financeiro para o sistema de saúde; aumenta o risco de infecções e outras complicações para o paciente. Durante décadas, os médicos tentaram prever essas estadias prolongadas usando uma lista de fatos padrão: a idade do paciente, seus resultados de exames de sangue e a gravidade de suas outras condições médicas. Esses números contam uma história, mas frequentemente deixam de fora as partes mais detalhadas da vida e do histórico de um paciente, que muitas vezes estão enterradas nas notas escritas e nos códigos diagnósticos que acompanham seus registros médicos.

Uma equipe de pesquisadores construiu agora um novo tipo de ferramenta digital projetada para ler tanto os números quanto as palavras para fazer uma previsão melhor. Ao ensinar um computador a observar dados médicos padrão juntamente com o texto não estruturado encontrado nos registros dos pacientes, eles criaram um sistema que pode detectar os sinais de uma recuperação difícil muito antes dos métodos tradicionais. Esta abordagem não depende de palpites ou intuição; em vez disso, aprende com milhares de casos passados para encontrar padrões que os olhos humanos podem perder. O resultado é um quadro mais claro de quem provavelmente enfrentará uma longa estadia hospitalar, permitindo que os médicos se preparem melhor e potencialmente diminuam o tempo que um paciente passa no hospital.

Os pesquisadores começaram seu trabalho reunindo dados de um grande banco de dados de pacientes que haviam passado por artroplastia primária de quadril ou joelho em um grande hospital na Coreia do Sul. Eles focaram em 2.647 adultos que realizaram sua primeira cirurgia de substituição de articulação. Para definir o que era uma estadia "prolongada", estabeleceram um parâmetro específico: qualquer hospitalização durando dezessete dias ou mais. Este limite representava os 25 por cento das estadias mais longas em seu grupo, um ponto onde os custos clínicos e econômicos da hospitalização tornam-se significativos. A equipe então alimentou seu modelo de computador com dois tipos distintos de informação. O primeiro tipo consistia em dados estruturados, que são os fatos organizados e nítidos que os médicos coletam rotineiramente, como idade, sexo, índice de massa corporal e resultados específicos de exames de sangue, como albumina e níveis de hemoglobina. O segundo tipo era o texto não estruturado, derivado dos códigos diagnósticos CID-10. Esses códigos são o código abreviado padrão que os médicos usam para listar cada condição que um paciente possui, desde artrite até hipertensão arterial. Os pesquisadores trataram esses códigos como uma narrativa, convertendo a lista de diagnósticos em um formato que o computador pudesse analisar em busca de significado.

Para construir seu motor de previsão, a equipe treinou nove algoritmos diferentes de aprendizado de máquina, que são programas de computador projetados para aprender com os dados em vez de seguir regras rígidas e pré-escritas. Eles testaram esses modelos para ver qual deles conseguia distinguir melhor entre pacientes que sairiam do hospital rapidamente e aqueles que ficariam dezessete dias ou mais. O modelo mais bem-sucedido foi um sistema sofisticado chamado LightGBM, que provou ser excepcionalmente bom em encontrar as conexões sutis entre o histórico de um paciente e seu tempo de recuperação. Quando testado em uma parte dos dados que o modelo nunca havia visto antes, ele alcançou um alto nível de precisão, identificando corretamente o risco de uma longa estadia com um AUC de 0,9160. Este desempenho foi significativamente superior aos modelos que dependiam apenas dos exames de sangue padrão e dados demográficos, provando que a camada extra de informação proveniente do texto diagnóstico adicionou valor real.

Um dos aspectos mais reveladores do estudo foi descobrir exatamente o que o computador considerou mais importante. Quando os pesquisadores pediram ao modelo para explicar seu raciocínio, descobriram que seis dos vinte fatores mais influentes vinham diretamente do texto de diagnóstico, e não do exame de sangue. Embora fatores como o índice de massa corporal e baixos níveis de albumina no sangue fossem, de fato, fortes preditores, a análise de texto destacou condições específicas que os checklists tradicionais costumam negligenciar. Por exemplo, a presença de osteoartrite de joelho, dor não especificada e outras formas de doença articular surgiu como sinais poderosos de que um paciente poderia precisar de mais tempo para se recuperar. Isso sugere que a combinação específica de condições que um paciente carrega, conforme escrito em seu registro, conta uma história mais completa do que os números isolados. O modelo também confirmou que a duração da cirurgia em si foi um fator chave, refletindo a complexidade do procedimento.

Para garantir que suas descobertas não fossem apenas uma coincidência de sorte para um grupo específico de pacientes, os pesquisadores levaram seu modelo para um banco de dados completamente diferente dos Estados Unidos, conhecido como MIMIC-IV. Este banco de dados contém registros de uma grande unidade de terapia intensiva em Boston e representa um sistema de saúde diferente, um período de tempo diferente e uma população diferente. Inicialmente, o desempenho do modelo caiu quando aplicado ao conjunto total de pacientes neste novo banco de dados, que incluía muitas pessoas que não haviam passado por substituição de articulação. No entanto, quando os pesquisadores filtraram os dados para observar apenas os pacientes que realmente receberam substituições de quadril ou joelho, a precisão do modelo disparou. Neste grupo específico, o modelo teve um desempenho ainda melhor do que no estudo original, atingindo um AUC de 0,9396. Este aumento dramático em um ambiente externo independente sugere que a ferramenta é robusta e pode se adaptar a diferentes ambientes, desde que seja usada no grupo de pessoas correto. É importante notar que, para esta validação externa, certas variáveis como o índice de massa corporal estavam ausentes do banco de dados e tiveram que ser estimadas pelos pesquisadores, mas o modelo ainda demonstrou um desempenho excepcional.

O estudo também examinou quanto dado era necessário para tornar o modelo confiável. Ao testar o sistema com quantidades crescentes de registros de pacientes, os pesquisadores descobriram que o modelo aprendia rapidamente e se estabilizava após revisar cerca de dois terços de todos os dados de treinamento disponíveis. Isso indica que a ferramenta não requer uma quantidade impossível de informações para funcionar efetivamente e que não está simplesmente memorizando os dados, mas aprendendo padrões genuínos. A capacidade do modelo de se generalizar tão bem para um novo banco de dados independente é um forte sinal de que ele capturou verdades fundamentais sobre a recuperação após cirurgia articular, em vez de apenas as peculiaridades dos registros de um único hospital.

Apesar desses sucessos, os pesquisadores são cuidadosos ao notar os limites de seu trabalho. O modelo foi construído usando dados de uma única instituição na Coreia do Sul e validado em uma única unidade de terapia intensiva nos Estados Unidos, o que significa que ainda não foi testado em uma ampla variedade de sistemas de saúde globais. Além disso, algumas informações importantes, como o índice de massa corporal exato ou a classificação específica do estado de saúde geral de um paciente, estavam ausentes do banco de dados externo e tiveram que ser estimadas, o que pode introduzir certa incerteza. Os pesquisadores também apontam que sua definição de "longa estadia" foi baseada na distribuição específica de seu grupo inicial, o que pode não se aplicar perfeitamente a todos os hospitais do mundo. Eles enfatizam que, embora a ferramenta seja poderosa, ela é um ponto de partida para pesquisas futuras, e não uma solução final.

O objetivo final deste trabalho é ir além da simples previsão e avançar em direção à ação. Ao identificar pacientes que correm alto risco de uma estadia prolongada antes mesmo de entrarem na sala de operação, os médicos podem intervir mais cedo. Eles podem ajustar a medicação de um paciente, organizar fisioterapia adicional ou coordenar com assistentes sociais para garantir uma transição suave para casa. O estudo demonstra que a informação necessária para tomar essas decisões já está sentada nos registros dos pacientes, esperando para ser lida corretamente. Ao combinar os números rígidos dos exames de sangue com o contexto rico das notas diagnósticas, esta nova abordagem oferece uma maneira de tornar o cuidado hospitalar mais eficiente e personalizado. Sugere que o futuro da previsão médica não reside em escolher entre dados e texto, mas em tecê-los juntos para enxergar o quadro completo da saúde de um paciente.