A Dynamic Bayesian Network Model for Predicting Cardiovascular Disease Incidence in the Tehran Lipid and Glucose Study

As doenças cardíacas continuam sendo a principal causa de morte em todo o mundo, ceifando milhões de vidas todos os anos. Em muitas partes do mundo, um ataque cardíaco ou um derrame é o evento final de uma longa cadeia de mudanças biológicas que frequentemente começam décadas antes. Para médicos e autoridades de saúde pública, a ferramenta mais poderosa contra essa tragédia não é apenas tratar os doentes, mas prever quem tem probabilidade de adoecer. Isso requer observar o histórico de uma pessoa — sua idade, seu histórico familiar, sua pressão arterial e seu estilo de vida — e tecer esses fatos isolados em uma única imagem de risco. Os métodos tradicionais para fazer isso frequentemente tratam cada informação como se existisse de forma independente, assumindo que o nível de açúcar no sangue de uma pessoa hoje não tem conexão com sua pressão arterial de cinco anos atrás. No entanto, a saúde humana é um rio fluente, não uma série de instantâneos isolados. Uma nova abordagem usando um tipo de modelo computacional chamado Rede Bayesiana Dinâmica tenta capturar esse fluxo, rastreando como os fatores de saúde mudam ao longo do tempo e como eles influenciam uns aos outros para prever o surgimento futuro de doenças cardíacas.

Uma equipe de pesquisadores no Irã aplicou essa técnica avançada de modelagem a um estudo massivo e de longo prazo envolvendo pessoas que vivem em Teerã. Eles queriam ver se um modelo que compreende a passagem do tempo conseguiria identificar indivíduos de alto risco de forma mais eficaz do que os métodos padrão. O estudo baseou-se no Estudo de Lipídios e Glicose de Teerã, um projeto bem estabelecido que acompanha milhares de residentes desde 1999 para entender as causas de doenças não transmissíveis. Os pesquisadores selecionaram 7.839 adultos que estavam livres de doenças cardíacas quando o estudo começou. Eles reuniram uma riqueza de informações sobre esses participantes, incluindo idade, escolaridade, status ocupacional, histórico familiar de problemas cardíacos, hábitos de tabagismo, níveis de atividade física e várias medições médicas, como colesterol, açúcar no sangue e função renal. Crucialmente, eles não observaram apenas esses fatores uma única vez; eles coletaram dados em múltiplos pontos ao longo de um período de dez anos, permitindo observar como o perfil de saúde de uma pessoa evoluiu.

Os pesquisadores construíram um modelo computacional específico para homens e um separado para mulheres, reconhecendo que os fatores de risco para doenças cardíacas frequentemente diferem entre os sexos. Este modelo, conhecido como Rede Bayesiana Dinâmica, funciona mapeando as relações entre diferentes variáveis de saúde conforme elas mudam ao longo do tempo. Diferente das ferramentas estatísticas mais antigas, que podem ter dificuldades quando um participante abandona um estudo ou quando há dados ausentes, este modelo é projetado para lidar com essas lacunas de forma graciosa. Ele trata o período do estudo como uma série de etapas temporais, aprendendo com os padrões daqueles que desenvolveram doenças cardíacas e comparando-os com aqueles que permaneceram saudáveis. A equipe testou seu modelo dividindo os dados, usando a maior parte para ensinar o computador os padrões e reservando uma parte para ver se o modelo conseguiria prever corretamente resultados que ele nunca havia visto antes.

Ao longo do acompanhamento de dez anos, 632 participantes, ou cerca de 8 por cento do grupo, desenvolveram doenças cardíacas. O modelo classificou com sucesso os participantes em grupos de baixo e alto risco. Para os homens, o modelo descobriu que aqueles no grupo de alto risco tinham mais de três vezes mais probabilidade de desenvolver doenças cardíacas do que os do grupo de baixo risco. Especificamente, 21,6% dos homens de alto risco desenvolveram a doença, em comparação com apenas 7,2% dos homens de baixo risco. Os resultados para as mulheres foram igualmente claros: 20,0% das mulheres de alto risco desenvolveram doenças cardíacas, enquanto apenas 6,6% das mulheres de baixo risco o fizeram. Em ambos os casos, o grupo de alto risco enfrentava um perigo mais de três vezes maior do que o grupo de baixo risco. A capacidade do modelo de distinguir entre esses grupos foi medida por uma pontuação chamada área sob a curva, que resultou em 0,612 para homens e 0,674 para mulheres. Embora essas pontuações indiquem que o modelo é melhor do que o acaso, os pesquisadores observaram que os números não eram perfeitos, em parte porque converteram muitas medições médicas detalhadas em categorias amplas para fazer o modelo funcionar.

O estudo destacou várias diferenças fundamentais entre aqueles que desenvolveram doenças cardíacas e aqueles que não desenvolveram. Pessoas que eventualmente sofreram um evento cardíaco tendiam a ser mais velhas, ter histórico familiar da doença e níveis de escolaridade mais baixos. Elas também eram mais propensas a estar desempregadas, ter obesidade ou obesidade abdominal, e sofrer de condições como hipertensão, diabetes e disfunção renal. O modelo provou ser capaz de integrar todos esses fatores variáveis ao longo do tempo para criar um perfil de risco que refletisse a realidade complexa da saúde humana. Os pesquisadores enfatizaram que esta abordagem oferece uma alternativa flexível aos modelos de sobrevivência tradicionais, que frequentemente assumem que os fatores de risco agem de forma independente e não levam em conta a realidade desordenada de dados ausentes ou mudanças nos estados de saúde.

Apesar do sucesso do modelo, os autores foram cuidadosos ao notar suas limitações. Eles reconheceram que transformar dados médicos contínuos em categorias simples pode ter causado alguma perda de detalhes, o que provavelmente impediu que as pontuações de previsão fossem mais altas. Também apontaram que o modelo ainda não inclui dados de alta resolução, como sinais de eletrocardiograma, que poderiam potencialmente melhorar a precisão. Além disso, como o estudo focou em uma única população urbana no Irã, os achados precisam ser testados em outros grupos diversos para garantir que se apliquem amplamente. No entanto, o trabalho demonstra que modelos computacionais capazes de rastrear a saúde ao longo do tempo podem identificar indivíduos que têm três vezes mais probabilidade de desenvolver doenças cardíacas. Isso sugere que, ao abraçar métodos que compreendem o fluxo do tempo e as conexões entre diferentes fatores de saúde, os médicos podem ser capazes de identificar indivíduos de alto risco mais cedo e intervir antes que um ataque cardíaco ou um derrame ocorra.