Missing Data Governance in Real-World Cardiovascular Risk Prediction: Effects on Machine Learning Performance and Interpretability
Este estudo demonstra que, na predição de risco cardiovascular no mundo real, o tratamento apropriado de dados ausentes por meio de imputação ou estratégias híbridas é crítico para manter a confiabilidade e a interpretabilidade do modelo, ao passo que a exclusão acrítica de registros incompletos degrada significamente o desempenho e negligencia o valor informativo da própria ausência de dados.
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
As doenças cardíacas continuam a ser a principal causa de morte em todo o mundo, e os médicos dependem da detecção precoce para salvar vidas. Para fazer isso, eles reúnem uma vasta quantidade de informações sobre cada paciente: sua idade, pressão arterial, níveis de colesterol e se possui histórico de tabagismo ou diabetes. Nos últimos anos, programas de computador conhecidos como aprendizado de máquina foram treinados para analisar essas informações e prever quem está em risco. Esses programas são excelentes em encontrar padrões em dados limpos e perfeitos. No entanto, o mundo real raramente é perfeito. Em hospitais reais, os registros são frequentemente desorganizados. Um médico pode esquecer de anotar uma leitura de pressão arterial, um resultado de laboratório pode estar faltando, ou um paciente pode ter feito um teste em outra clínica que nunca chegou ao arquivo. Por muito tempo, cientistas que testavam esses programas de computador usaram majoritariamente conjuntos de dados antigos e limpos que não refletem essa realidade. Eles se concentraram em qual algoritmo de computador é o mais inteligente, muitas vezes ignorando o fato de que o dado em si é incompleto. Isso levanta uma questão crítica: se um programa de computador é treinado com dados perfeitos, ele ainda consegue funcionar quando enfrenta os registros desorganizados e incompletos encontrados em um hospital real?
Uma equipe de pesquisadores em Denizli, Turquia, decidiu responder a isso construindo um estudo em torno dos próprios dados, em vez do programa de computador. Eles foram diretamente ao departamento de cardiologia de um hospital privado e extraíram todos os registros de pacientes atendidos entre 2019 e 2024. Eles não limparam os dados primeiro. Eles não descartaram os registros com números ausentes. Em vez disso, pegaram a informação bruta e não filtrada exatamente como ela estava no banco de dados do hospital, com todas as suas lacunas e inconsistências. Desses registros, selecionaram dezenove parâmetros de saúde fundamentais, como idade, sexo, colesterol e várias medidas cardíacas, para ver quão bem diferentes programas de computador poderiam prever doenças cardíacas quando forçados a lidar com informações ausentes. Eles testaram onze tipos diferentes de algoritmos de aprendizado, variando de métodos estatísticos simples a sistemas modernos complexos que constroem muitos modelos pequenos para trabalharem juntos. Crucialmente, eles não escolheram apenas uma maneira de corrigir os números ausentes. Eles testaram quatro estratégias completamente diferentes. Uma estratégia preencheu as lacunas com números estimados. Outra deixou as lacunas vazias para ver se o computador poderia lidar com elas por conta própria. Uma terceira estratégia tratou os valores ausentes como uma categoria específica própria, essencialmente dizendo ao computador: "Não sabemos isso, mas o fato de não sabermos pode ser importante". A quarta estratégia, que é comum em muitos estudos, simplesmente deletou cada registro que tivesse sequer um número faltando.
Os resultados mostraram que a forma como os pesquisadores lidaram com os dados ausentes importou muito mais do que o programa de computador escolhido. Quando utilizaram a estratégia de deletar os registros incompletos, o desempenho de cada modelo de computador caiu significativamente. Os modelos mais precisos caíram de identificar corretamente cerca de 77 por cento dos casos para apenas 69 por cento. Essa perda ocorreu porque a exclusão de registros removeu muita informação valiosa e deixou o computador com poucos exemplos para aprender. Em contraste, as estratégias que mantiveram os registros incompletos — seja preenchendo as lacunas ou tratando a ausência como um fato conhecido — preservaram a capacidade dos modelos de prever doenças cardíacas com precisão. Os programas de computador que tiveram melhor desempenho foram aqueles que conseguiram lidar com os dados desorganizados sem descartá-los. Entre os diferentes tipos de algoritmos testados, uma família de sistemas conhecidos como boosting ensembles provou ser a mais resiliente. Esses sistemas, que combinam muitos tomadores de decisão simples para formar uma previsão forte, mantiveram uma alta precisão mesmo quando os dados estavam incompletos. Métodos mais simples, como aqueles baseados em encontrar os vizinhos mais próximos em um conjunto de dados, foram os que mais sofreram diante de valores ausentes.
Talvez a descoberta mais surpreendente tenha ocorrido quando os pesquisadores analisaram de perto como os programas de computador tomavam suas decisões. Eles usaram uma ferramenta de análise especial para ver quais características o computador considerava mais importantes. Descobriram que o computador estava prestando muita atenção ao fato de certas medições estarem ausentes. Especificamente, o indicador de que uma leitura de pressão arterial estava faltando classificou-se como um dos fatores mais influentes na previsão de doenças cardíacas. Isso não significa que a falta de uma leitura de pressão arterial cause doença cardíaca. Em vez disso, sugere que o padrão de ausência carrega sua própria informação. Neste hospital, o fato de uma leitura de pressão arterial não ter sido registrada pode indicar algo sobre a situação do paciente, como um tipo específico de visita ou um fator socioeconômico que influenciou quais testes foram solicitados. O computador aprendeu que essa ausência era um sinal, tão real quanto um número de colesterol alto. Essa descoberta desafia a ideia de que o dado ausente é apenas um defeito a ser corrigido ou ignorado. Ela mostra que, em ambientes clínicos do mundo real, a maneira como a informação é registrada — ou não registrada — é parte da história que os dados contam.
O estudo conclui que, para que os programas de computador sejam confiáveis em hospitais reais, os cientistas devem parar de tratar a qualidade dos dados como um detalhe menor a ser limpo antes do trabalho principal começar. A forma como a informação ausente é tratada é uma parte fundamental da ciência. Se os pesquisadores simplesmente deletarem registros incompletos, correm o risco de construir modelos que funcionam bem no papel, mas falham na prática. A abordagem mais confiável é usar métodos que respeitem a incompletude dos dados, seja preenchendo as lacunas cuidadosamente ou reconhecendo que a ausência de uma medição é, por si só, uma peça de informação. Ao utilizar um conjunto de dados de origem local na Turquia, os pesquisadores demonstraram que modelos construídos com dados reais e desorganizados são mais representativos das condições reais enfrentadas pelos médicos. Eles descobriram que, embora os modelos não fossem perfeitos, eles eram honestos e robustos. O estudo argumenta que o futuro da previsão médica não reside em encontrar um algoritmo ligeiramente melhor para rodar em dados perfeitos, mas em construir sistemas que possam entender e aprender com a realidade imperfeita dos registros de saúde humana.
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.