ICD2Bert: ICD Bert Encodings for Clinical Outcome Prediction on Routine Health Insurance Data
Este artigo apresenta o ICD2BERT, um modelo BERT padrão pré-treinado em códigos ICD sem modificações específicas de domínio, e demonstra, por meio de uma extensa avaliação comparativa, que tais complexidades arquitetônicas frequentemente falham em superar modelos de referência mais simples, destacando que a qualidade dos dados, a escala e o pré-treinamento são mais críticos para a previsão de desfechos clínicos do que a sofisticação do modelo.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Hospitais e seguradoras ao redor do mundo dependem de uma linguagem universal para registrar o que há de errado com um paciente. Esta linguagem consiste em códigos, sequências curtas de letras e números que representam doenças, lesões e procedimentos médicos específicos. Esses códigos foram criados originalmente para lidar com faturamento e papelada, mas hoje são a principal forma pela qual médicos e computadores compreendem o histórico médico de um paciente. Como esses registros são tão vastos e padronizados, pesquisadores há muito esperam usar a inteligência artificial para encontrar padrões ocultos neles, padrões que possam prever quem ficará doente novamente, quem poderá morrer ou quem precisa de um tratamento específico. Para fazer isso, cientistas têm construído programas de computador complexos projetados para ler esses códigos como um humano lê uma história, buscando contexto e conexões entre diferentes eventos na vida de um paciente.
Uma equipe de pesquisadores partiu para testar se esses programas de computador sofisticados são realmente necessários, ou se a complexidade extra que eles adicionam é apenas uma distração. Eles focaram em um tipo específico de inteligência artificial chamado transformer, uma ferramenta poderosa que revolucionou a forma como os computadores entendem a linguagem. No mundo médico, cientistas têm ajustado essas ferramentas, adicionando camadas extras de informação, como a idade do paciente ou o número de vezes que ele visitou o médico, esperando que esses detalhes ajudassem o computador a fazer melhores previsões. Os pesquisadores queriam saber se essas adições personalizadas realmente melhoravam os resultados, ou se uma versão mais simples e padrão da ferramenta poderia realizar o mesmo trabalho tão bem quanto. Eles também queriam ver se esses sistemas avançados conseguiam aprender com um grupo de pacientes e aplicar esse conhecimento a um grupo completamente diferente, talvez de outro país ou sistema de saúde.
Para responder a essas perguntas, a equipe construiu uma nova versão padrão do programa de computador que lê apenas os códigos médicos, sem as informações extras de idade ou de visitas que outros pesquisadores haviam adicionado. Eles chamaram este novo modelo de ICD2BERT. Em seguida, colocaram este modelo à prova contra vários outros modelos populares e mais complexos, usando três conjuntos de dados médicos muito diferentes. Um conjunto veio de um grande hospital nos Estados Unidos, contendo registros de sistemas de codificação antigos e novos. Outro conjunto veio de um pequeno grupo de pacientes com históricos muito detalhados, desenhado para testar o quão bem um modelo poderia aprender com muito poucos dados. O terceiro conjunto era massivo, contendo milhões de registros de sinistros de seguros de saúde na Alemanha, cobrindo uma população enorme e diversificada.
Os resultados foram surpreendentes. Quando os pesquisadores compararam o modelo padrão com os modelos complexos e personalizados, descobriram que as características extras não tornavam o computador mais inteligente. O modelo que simplesmente lia os códigos teve um desempenho tão bom quanto aqueles que também conheciam a idade do paciente ou o histórico de visitas. Na verdade, os pesquisadores descobriram que a qualidade e o tamanho dos dados dos quais o modelo aprendeu importavam muito mais do que a complexidade do próprio programa de computador. Ainda mais inesperadamente, um método muito simples que tratava os códigos como uma lista de categorias, sem tentar entender a ordem ou o contexto dos eventos, frequentemente apresentava um desempenho tão bom quanto a inteligência artificial mais avançada. Essa abordagem simples foi capaz de prever doenças futuras, morte e readmissões hospitalares com um nível de precisão que igualou os sistemas complexos em muitos casos.
O estudo também revelou que o tipo específico de código médico utilizado é crítico. Nos dados hospitalares americanos, o sistema de codificação mais antigo ainda retinha informações vitais que o sistema mais novo não substituía totalmente; quando os pesquisadores removeram os códigos antigos, o desempenho do computador caiu significamente. No entanto, nos dados de seguros alemães, que utilizavam apenas os códigos mais novos, o computador teve dificuldades se os códigos fossem encurtados para suas categorias mais básicas, sugerindo que os detalhes finos naqueles registros específicos eram essenciais. Os pesquisadores também descobriram que, embora os modelos complexos pudessem aprender com os dados americanos e aplicar esse conhecimento aos dados alemães, o inverso não era verdadeiro. Um modelo treinado apenas com os dados alemães falhou ao ser testado nos registros americanos, provavelmente porque nunca havia visto o sistema de codificação mais antigo. Isso sugere que, para um computador ser verdadeiramente útil em diferentes sistemas de saúde, ele deve ser treinado na variedade mais ampla possível de tipos de dados.
Finalmente, a equipe analisou o quão fácil era entender por que esses modelos tomavam as decisões que tomavam. Como o seu modelo padrão não possuía camadas extras e customizadas, ele podia ser analisado com ferramentas existentes que mostram exatamente quais códigos médicos influenciaram uma previsão. Eles descobriram que códigos específicos para condições como diabetes e hipertensão eram os principais fatores para prever morte ou readmissão hospitalar. Essa transparência é crucial para médicos que precisam confiar no conselho do computador. O estudo sugere que, antes de hospitais investirem na construção e treinamento de sistemas de inteligência artificial massivos e complexos, devem considerar cuidadosamente se uma abordagem mais simples e transparente pode ser tão eficaz quanto. Os achados indicam que o poder para prever desfechos clínicos reside menos no design intrincado do programa de computador e mais na riqueza e amplitude dos registros médicos que ele tem permissão para ler.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.