Spatial Transferability of Explainable Machine Learning for Predicting Pre-Treatment Tuberculosis Loss to Follow-up Across West Java Districts

Todos os anos, milhões de pessoas ao redor do mundo são diagnosticadas com tuberculose, uma séria infecção bacteriana que ataca os pulmões. O sistema médico tem um caminho claro a seguir: uma vez que uma pessoa é diagnosticada, ela deve começar a tomar medicação imediatamente. No entanto, existe uma lacuna perigosa nesse processo. Muitos pacientes, após receberem seu diagnóstico, simplesmente nunca iniciam o tratamento. Eles saem da clínica, perdem o contato com os profissionais de saúde ou decidem não iniciar o regime. Isso é conhecido como "perda de seguimento". Esses indivíduos permanecem infectantes, espalhando a doença para suas famílias e comunidades, enquanto sua própria saúde se deteriora rapidamente. Os programas de saúde frequentemente lutam para encontrar dinheiro e pessoal para apoiar cada paciente individualmente, por isso precisam de uma maneira de identificar quem tem maior probabilidade de abandonar o tratamento antes mesmo de saírem pela porta. Se os médicos pudessem identificar esses pacientes de alto risco precocemente, poderiam focar seus recursos limitados nas pessoas que mais precisam deles, em vez de tentar ajudar a todos igualmente.

Na província indonésia de Java Ocidental, pesquisadores buscaram resolver esse problema usando a vasta quantidade de dados já coletados pelo sistema nacional de saúde. Eles fizeram uma pergunta simples, mas difícil: um programa de computador, treinado nos registros de pacientes de toda a província, consegue prever com precisão quais indivíduos específicos em uma cidade específica falharão em iniciar o tratamento? Eles queriam saber se um único modelo de grande escala poderia funcionar em todos os lugares, ou se as circunstâncias únicas de cada distrito quebrariam a previsão. Para responder a isso, eles recorreram a um campo da ciência da computação chamado aprendizado de máquina (machine learning), que permite aos computadores encontrar padrões em dados sem serem explicitamente programados com regras. Eles focaram em modelos "explicáveis", que são como caixas transparentes onde você pode ver exatamente por que o computador tomou uma decisão, em vez de "caixas pretas" que dão uma resposta sem mostrar seu trabalho. Essa transparência é crucial para os médicos, que precisam entender o raciocínio por trás de uma previsão de risco antes de agir sobre ela.

A equipe reuniu informações de mais de 174.000 pessoas diagnosticadas com tuberculose em vinte e sete diferentes distritos e cidades de Java Ocidental em 2024. Eles analisaram detalhes disponíveis no momento do diagnóstico, como a idade do paciente, se ele tinha diabetes, onde morava e que tipo de clínica visitou. Mais importante ainda, eles observaram se o status de HIV do paciente foi registrado no sistema. Cerca de nove por cento desses pacientes já haviam sido perdidos antes de iniciar o tratamento. Os pesquisadores construíram cinco modelos de computador diferentes para ver qual deles melhor conseguiria separar os pacientes que iniciariam o tratamento daqueles que não o fariam. Eles testaram desde métodos estatísticos simples até sistemas baseados em árvores mais complexos, que tomam decisões fazendo uma série de perguntas de sim ou não.

Os resultados mostraram que os modelos de computador foram surpreendentemente bons em seu trabalho. O melhor modelo conseguia distinguir entre pacientes que ficariam e aqueles que sairiam com um alto grau de precisão. O que talvez fosse mais surpreendente era que todos os cinco tipos diferentes de modelos tiveram um desempenho quase idêntico. O modelo mais complexo não superou os mais simples por uma margem ampla. Isso sugeriu que a qualidade dos próprios dados, e não a inteligência do algoritmo de computador, era o principal fator que limitava o quão bem as previsões poderiam funcionar. Os dados continham sinais fortes, particularmente em relação ao registro do status de HIV do paciente. Pacientes cujo status de HIV estava ausente de seu prontuário eram muito mais propensos a serem perdidos no seguimento do que aqueles cujo status estava claramente registrado como negativo ou positivo. Isso apontava para um problema mais profundo: o ato de registrar o teste de HIV não era apenas uma tarefa de entrada de dados, mas um sinal de quão completa e cuidadosa era toda a abordagem médica para aquele paciente.

No entanto, quando os pesquisadores testaram se esse único modelo em nível provincial funcionava igualmente bem em todas as cidades, o cenário mudou. Um modelo que performava bem na média de toda a região falhou em ser confiável em distritos específicos. Em algumas áreas, o modelo subestimava consistentemente o risco, prevendo que os pacientes iniciariam o tratamento quando, na verdade, não o faziam. Em outras áreas, ele superestimava o risco. Os pesquisadores descobriram duas razões principais para essas falhas. Primeiro, em alguns distritos, a forma como os dados eram registrados era diferente do restante da província. Por exemplo, em um distrito, uma porcentagem muito maior de pacientes tinha registros de HIV ausentes em comparação com a média provincial. Como o modelo dependia fortemente dessa informação, ele tinha dificuldade em fazer previsões precisas onde os dados eram incompletos.

A segunda razão era mais misteriosa. Em certos distritos, mesmo quando os dados pareciam normais, o modelo previa que os pacientes iniciariam o tratamento, apenas para descobrir que muitos deles não o faziam. Isso sugeria que havia fatores locais influenciando as decisões dos pacientes que o computador não conseguia enxergar. Estes poderiam incluir a qualidade dos serviços de saúde locais, a distância até a clínica ou barreiras culturais específicas daquela cidade. Os pesquisadores descobriram que essas falhas locais não se espalhavam para cidades vizinhas de um padrão previsível; uma cidade com uma previsão ruim não estava necessariamente ao lado de outra cidade com uma previsão ruim. Isso significava que um único modelo de "tamanho único" não poderia ser confiado para funcionar em todos os lugares sem ajustes.

O estudo concluiu que, embora o aprendizado de máquina seja uma ferramenta poderosa para identificar pacientes em risco, ele não pode ser simplesmente aplicado cegamente em diferentes regiões. Os pesquisadores descobriram que o número de pacientes em um distrito não determinava o quão bem o modelo funcionava; mesmo áreas com pouquíssimos pacientes podiam ser bem previstas se os dados locais fossem consistentes, enquanto áreas grandes podiam falhar se as condições locais fossem únicas. Eles também descobriram que tentar simplificar a lista de fatores que o computador analisava não melhorava os resultados. A lição mais importante foi que o modelo precisava ser recalibrado para cada local específico. Ao ajustar as previsões do modelo para corresponder à realidade local, os profissionais de saúde poderiam usar os insights do computador para criar uma lista direcionada de pacientes que realmente precisavam de apoio extra.

Para tornar isso prático para clínicas ocupadas, os pesquisadores traduziram seu complexo modelo de computador em um sistema de pontuação simples. Médicos poderiam calcular uma pontuação de risco para um paciente em segundos usando apenas alguns fatos: se o status de HIV foi registrado, como foram diagnosticados, sua idade e histórico de tratamento. Um paciente com um registro de HIV ausente, por exemplo, receberia imediatamente uma pontuação de risco alta, sinalizando que precisava de atenção imediata. Essa abordagem permite que os programas de saúde se afastem do tratamento de todos os pacientes da mesma maneira e, em vez disso, foquem seus recursos limitados nos indivíduos que têm maior probabilidade de cair pelas frestas do sistema. O estudo provou que, com os dados corretos e ajustes locais cuidadosos, a tecnologia pode ajudar a fechar a lacuna entre o diagnóstico e o tratamento, salvando vidas nos dias críticos após um diagnóstico de tuberculose.