Temporally non-local harmonisation and cardiovascular model transport between England and China: a measurement-methods study

No mundo da saúde pública, os pesquisadores frequentemente tentam construir um único mapa de risco que possa orientar médicos em muitos lugares diferentes. Eles reúnem dados de grandes grupos de pessoas ao longo de muitos anos, acompanhando quem desenvolve doenças cardíacas e quem não desenvolve. O objetivo é criar uma ferramenta de previsão que funcione em qualquer lugar, dizendo a um médico em um país qual é a probabilidade de um paciente sofrer um ataque cardíaco com base na sua idade, hábitos de tabagismo e histórico médico. No entanto, essas ferramentas dependem das histórias que as pessoas contam sobre sua saúde passada. Um grande desafio surge quando os pesquisadores tentam combinar dados de diferentes países ou de diferentes períodos de tempo. Às vezes, o histórico médico de uma pessoa muda entre as entrevistas. Um diagnóstico relatado anos depois pode ser usado para reescrever o que se sabia sobre a saúde dela no início do estudo. Isso cria um problema: se o ponto de partida da história muda, toda a jornada da ferramenta de previsão pode mudar, potencialmente levando a conclusas diferentes sobre quem está em risco e o quão bem a ferramenta funciona.

Dois grandes estudos, um acompanhando adultos mais velhos na Inglaterra e outro acompanhando um grupo semelhante na China, forneceram uma oportunidade única para testar como essas histórias variáveis afetam as previsões médicas. Pesquisadores do University College London e de um hospital na China decidiram investigar se a maneira como esses históricos são registrados altera a confiabilidade dos modelos de doenças cardíacas quando eles são transferidos de um país para o outro. Eles focaram em uma questão específica: a diferença entre um histórico "liberado", que inclui todas as informações disponíveis no momento da análise, e um histórico "ancorado no tempo", que reconstrói o que era realmente conhecido pelo paciente e pelos pesquisadores no exato momento da entrevista, ignorando correções posteriores. Ao comparar essas duas versões, eles queriam ver se corrigir a linha do tempo dos dados melhorava a precisão das previsões ou se simplesmente mudava a mistura de pessoas que estavam sendo estudadas.

Os pesquisadores pegaram os dados de ambos os países e construíram duas versões do histórico de saúde para cada participante. Na primeira versão, eles usaram os arquivos de dados padrão, que frequentemente incorporam diagnósticos relatados em entrevistas posteriores para atualizar registros anteriores. Na segunda versão, eles removeram essas atualizações posteriores, travando o histórico ao que era conhecido no momento específico de cada entrevista. Eles então testaram se um modelo construído na China conseguia prever doenças cardíacas na Inglaterra, e vice-versa, usando ambas as versões do histórico. Os resultados mostraram que alterar a linha do tempo dos dados teve um impacto real e mensurável. No estudo chinês, quase 9 por cento dos participantes tiveram seu status de doença cardíaca alterado quando a linha do tempo foi corrigida. No estudo inglês, o número foi de cerca de 4,5 por cento. Mais importante, o número total de pessoas entrando e saindo do grupo "saudável" foi muito maior, com mais de 10 por cento do grupo chinês e quase 6 por cento do grupo inglês mudando de status. Isso significou que o grupo de pessoas sendo estudado não era o mesmo em ambas as versões, embora o número total de participantes parecesse semelhante.

Quando os pesquisadores testaram os modelos de previsão, descobriram que corrigir a linha do tempo não tornava os modelos universalmente melhores. Na direção da China para a Inglaterra, a capacidade do modelo de classificar as pessoas por risco melhorou ligeiramente, o que significa que ele foi melhor em identificar quem tinha mais probabilidade de ficar doente do que quem tinha menos. No entanto, o modelo não se tornou melhor em prever a probabilidade real de adoecer. Na direção oposta, da Inglaterra para a China, o ranking do modelo melhorou, mas o erro ao prever o risco real aumentou significamente. O modelo continuou a subestimar o risco para o grupo da Inglaterra para a China, independentemente de a linha do tempo ter sido corrigida ou não. Os pesquisadores descobriram que as melhorias no ranking não ocorreram porque o modelo aprendeu melhor as regras sobre como os fatores de risco funcionam. Em vez disso, as melhorias vieram porque a correção da linha do tempo mudou quem era permitido entrar no estudo. Ao remover pessoas cujo status de saúde foi revisado, os pesquisadores alteraram a composição do grupo, o que deslocou os resultados.

O estudo também observou se essas mudanças afetavam homens e mulheres de forma diferente ou se se aplicavam mais a ataques cardíacos do que a derrames. Os dados não mostraram evidências de que o efeito da correção da linha do tempo dependesse do sexo. Embora as mulheres no estudo chinês tivessem maior probabilidade de terem seus históricos revisados do que os homens, o impacto nos modelos de previsão foi o mesmo para ambos os grupos. Da mesma forma, embora os históricos de doenças cardíacas tenham sido revisados com mais frequência do que os de derrames, essa diferença não levou a resultados diferentes na forma como os modelos performaram. A descoberta central permaneceu consistente: o ato de fixar a linha do tempo mudou o grupo de pessoas que estava sendo analisado, e essa mudança no grupo foi a responsável pelos desvios no desempenho do modelo.

Por fim, a pesquisa sugere que simplesmente limpar a linha do tempo dos históricos médicos não é uma solução mágica para ferramentas de previsão transnacionais. Embora seja importante saber exatamente o que era conhecido no momento de uma entrevista, fazer isso não torna automaticamente um modelo desenvolvido em um país perfeito para funcionar em outro. O estudo destaca que as pessoas que entram em um estudo são tão importantes quanto as regras usadas para prever seu futuro. Quando a linha do tempo é ajustada, a mistura de pessoas muda, e essa mudança impulsiona os resultados mais do que qualquer melhoria nas regras de previsão em si. Para médicos e pesquisadores, isso significa que, antes de usar um modelo de previsão de um país em outro, eles devem entender não apenas o histórico médico dos pacientes, mas também como os dados foram coletados e como o grupo de pessoas foi selecionado. O estudo conclui que, embora o ancoramento temporal ajude a esclarecer a ordem dos eventos, ele não resolve o problema mais profundo de transferir previsões de risco entre diferentes populações, e mais trabalho é necessário para entender como tornar essas ferramentas verdadeiramente confiáveis para todos.