Development and Cross-Database Evaluation of 6-Hour Landmark Prediction Models for a Subsequent Packed Red Blood Cell Transfusion Record in Adult Trauma ICU Patients

No ambiente de alto risco de uma unidade de terapia intensiva, o tempo é frequentemente o recurso mais crítico. Quando um paciente chega com trauma grave, a primeira prioridade da equipe médica é estancar o sangramento e estabilizar o corpo. Mas o trabalho não termina assim que o paciente é acomodado no hospital. Nos dias seguintes, os médicos devem permanecer vigilantes, observando sinais de que o paciente possa precisar de mais sangue. As transfusões de sangue salvam vidas, mas não são isentas de riscos, e realizá-las cedo ou tarde demais pode complicar a recuperação. O desafio reside em prever quem precisará desse sangue extra antes que a necessidade se torne óbvia. Tradicionalmente, os médicos dependem de sua experiência e dos dados disponíveis no momento da admissão. No entanto, a condição de um paciente muda rapidamente nas primeiras horas. Uma nova questão surgiu: um modelo computacional pode analisar as informações disponíveis seis horas após a entrada de um paciente na unidade de terapia intensiva e prever com precisão se ele precisará de uma transfusão de sangue no decorrer daquele dia? Isso não se trata de substituir o julgamento do médico, mas de fornecer um sinal oportuno que promova um olhar mais atento sobre um paciente que, de outra forma, poderia passar despercebido.

Uma equipe de pesquisadores partiu para responder a essa questão construindo e testando um novo tipo de ferramenta de previsão. Eles focaram especificamente em pacientes adultos vítimas de trauma que não haviam recebido transfusão de sangue nas primeiras seis horas de permanência no hospital. Utilizando bancos de dados massivos e anonimizados de hospitais de todos os Estados Unidos, eles treinaram algoritmos de computador para procurar padrões nos sinais vitais e resultados laboratoriais dos pacientes. O objetivo era criar um sistema que pudesse sinalizar pacientes que provavelmente exigiriam concentrado de hemácias — o produto sanguíneo padrão usado para substituir o volume perdido — nas próximas dezoito horas. Os pesquisadores não construíram apenas um modelo; eles desenvolveram cinco abordagens matemáticas diferentes para ver qual funcionava melhor. Em seguida, testaram esses modelos em um conjunto completamente separado de registros de pacientes de diferentes hospitais para garantir que os resultados não fossem apenas uma coincidência do primeiro grupo de dados.

O estudo descobriu que esses modelos computacionais podiam, de fato, distinguir entre pacientes que precisariam de mais sangue e aqueles que não precisariam. O modelo mais bem-sucedido, que utilizou um método sofisticado chamado XGBoost ponderado para pesar a importância de diferentes fatores, apresentou um bom desempenho em ambos os conjuntos de dados. No grupo inicial de pacientes, o modelo identificou corretamente o risco em cerca de 84 de cada 100 casos onde uma distinção podia ser feita. Ao ser testado no segundo grupo independente de pacientes de 176 hospitais diferentes, o desempenho permaneceu forte, identificando corretamente o risco em cerca de 85 de cada 100 casos. Essa consistência sugere que a ferramenta é robusta o suficiente para funcionar em diferentes ambientes hospitalares, não apenas naquele onde foi criada.

No entanto, os pesquisadores descobriram um detalhe crucial que determinava o quão bem a ferramenta funcionava: a disponibilidade de um exame laboratorial específico. A precisão do modelo dependia fortemente de se um teste de hemoglobina — uma medida da capacidade de transporte de oxigênio do sangue — havia sido realizado precocemente na estadia do paciente. Quando esse teste estava disponível, a capacidade do modelo de prever necessidades futuras era significativamente maior. Quando o teste estava ausente, o desempenho do modelo caía visivelmente. Essa descoberta destaca que a ferramenta não está apenas lendo a biologia do paciente; ela também está lendo o fluxo de trabalho do hospital. Se a equipe médica ainda não solicitou o exame de sangue necessário, o computador não consegue visualizar o quadro completo. Isso não significa que a ferramenta falha, mas sim que sua eficácia está atada às informações que os médicos já coletaram.

Os pesquisadores também examinaram o que o computador estava realmente "olhando" para tomar suas decisões. Eles descobriram que as pistas mais importantes eram o nível mais baixo de hemoglobina registrado, a pressão arterial mais baixa e a frequência cardíaca mais alta durante aquelas primeiras seis horas. Estes são indicadores lógicos de um corpo sob estresse, mas o computador também prestou atenção se certos testes estavam ausentes. No mundo da terapia intensiva, o fato de um teste não ter sido solicitado pode ser tão revelador quanto o resultado do próprio teste. Por exemplo, se um paciente está estável, os médicos podem não solicitar coletas de sangue frequentes, enquanto um paciente que está deteriorando pode ser testado constantemente. O modelo aprendeu a reconhecer esses padrões de cuidado como parte da história do paciente.

Apesar desses sucessos, os autores são cuidadosos ao afirmar o que esta ferramenta não é. Ela não é um diagnóstico de sangramento ativo, nem um comando para transfundir sangue. O modelo prevê um registro documentado de uma transfusão, que é um evento específico no sistema de computador do hospital, e não necessariamente uma necessidade biológica de sangue. Os pesquisadores enfatizam que a ferramenta foi projetada para agir como um alerta para uma revisão humana. Se o modelo sinaliza um paciente, isso sugere que um médico deve fazer uma nova análise da condição do paciente, verificar seus exames e decidir se uma transfusão é realmente necessária. Em seus testes, usar um limiar específico para disparar essas revisões teria sinalizado cerca de 17 de cada 100 pacientes. Este grupo incluiria aproximadamente 70% dos pacientes que de fato acabariam precisando de sangue, o que significa que a ferramenta poderia capturar a maioria dos pacientes em risco, evitando ao mesmo tempo uma enxurrada de alarmes falsos que sobrecarregariam a equipe.

O estudo também explorou como o modelo se comportaria se o hospital desse alta a um paciente antes do término do período de observação de vinte e quatro horas. Na vida real, os pacientes deixam a unidade de terapia intensiva em tempos diferentes, e isso pode complicar as previsões. Os pesquisadores descobriram que, mesmo com essas interrupções, o modelo mantinha sua capacidade de classificar os pacientes por risco. Aqueles que foram sinalizados como de alto risco pelo modelo foram, de fato, mais propensos a receber sangue antes de saírem, em comparação com aqueles sinalizados como de baixo risco. Isso sugere que a ferramenta pode lidar com a realidade complexa das altas hospitalares sem perder seu poder preditivo.

Em última análise, este trabalho representa um passo em direção a um suporte mais inteligente e oportuno para o atendimento ao trauma. Os pesquisadores demonstraram que uma janela de seis horas de dados é suficiente para construir uma avaliação de risco confiável para necessidades futuras de sangue. Eles mostraram que, embora algoritmos computacionais complexos possam encontrar esses padrões, a qualidade da previsão está intrinsecamente ligada à qualidade da informação disponível no momento. A ferramenta não substitui o médico; em vez disso, oferece um segundo par de olhos que nunca se cansa, escaneando constantemente os dados para garantir que nenhum paciente necessitado seja negligenciado. O próximo passo, como observam os autores, é testar este sistema em fluxos de trabalho hospitalares em tempo real para ver se ele realmente melhora os desfechos dos pacientes e ajuda as equipes a gerenciar sua carga de trabalho de forma mais eficaz. Até lá, permanece como uma prova de conceito poderosa: um assistente digital capaz de ver os sinais de alerta de uma necessidade de sangue muito antes que a crise se torne inegável.