MultiDiseasePred: An Interpretable Multi-Disease Risk Prediction Framework and Its Application for Early Risk Stratification in the Emergency Department

No ambiente caótico e de alto risco de uma sala de emergência de um hospital, os primeiros minutos são frequentemente os mais críticos. Quando um paciente chega, ele não é apenas um problema único; ele é uma mistura complexa de sintomas que podem sinalizar desde um ataque cardíaco até uma infecção grave ou uma artéria pulmonar bloqueada. Tradicionalmente, os médicos têm dependido de listas de verificação e sistemas de pontuação separados para avaliar cada uma dessas possibilidades individualmente. Uma enfermeira pode usar uma ferramenta para verificar sepse, outra para problemas cardíacos e uma terceira para problemas respiratórios. Embora essas ferramentas sejam úteis, elas foram projetadas para observar apenas uma doença por vez. Isso cria um quadro fragmentado, forçando os clínicos a costurar mentalmente diferentes pontuações de risco enquanto correm contra o relógio, muitas vezes sem o benefício de resultados de exames laboratoriais ou de imagem que chegam mais tarde. O desafio é ver o paciente como um todo imediatamente, compreendendo como os diferentes riscos se sobrepõem e competem pela atenção antes que a história médica completa seja conhecida.

Para enfrentar isso, uma equipe de pesquisadores da Universidade de Minnesota e de outras instituições desenvolveu uma nova abordagem chamada MultiDiseasePred. Em vez de construir modelos separados para cada doença, eles criaram um sistema único e unificado projetado para observar um paciente e estimar simultaneamente o risco de sete condições agudas diferentes e dois desfechos críticos, como se o paciente precisará ou não de internação hospitalar. O sistema foca nas sete condições que frequentemente apresentam sintomas iniciais confusamente semelhantes: sepse, síndrome de desconforto respiratório agudo, exacerbações de doenças pulmonares crônicas como asma ou DPOC, síndrome coronariana aguda (problemas cardíacos), pneumonia viral, embolia pulmonar (um coágulo no pulmão) e lesão renal aguda. Ele também prevê a probabilidade de hospitalização e um "desfecho crítico" composto envolvendo admissão em cuidados intensivos ou morte. O objetivo não era apenas prever esses riscos, mas fazê-lo usando apenas as informações disponíveis no momento em que o paciente entra pela porta, como sinais vitais, idade e a queixa principal, sem esperar por exames de sangue ou radiografias.

Os pesquisadores treinaram este sistema em um conjunto massivo de dados que compreende quase 1,7 milhão de visitas de emergência de um grande sistema de saúde em Minnesota, cobrindo os anos de 2019 a 2025. Eles então testaram o quão bem o sistema funcionava em grupos de pacientes completamente diferentes de outros dois grandes centros médicos: um em Boston e outro na Califórnia. Este teste externo foi crucial para garantir que o sistema não estivesse apenas memorizando os dados locais, mas que pudesse realmente compreender os sinais universais de doença. O sistema aprendeu a identificar padrões entre milhões de visitas, descobrindo que, embora cada doença seja única, elas frequentemente compartilham sinais fisiológicos subjacentes. Por exemplo, uma queda na pressão arterial ou uma mudança na frequência respiratória pode ser um sinal de alerta para várias condições diferentes ao mesmo tempo. Ao analisar esses sinais compartilhados juntamente com pistas específicas, o modelo aprendeu a pesar as evidências para cada condição separadamente, mantendo ainda as conexões entre elas.

Uma característica fundamental deste novo framework é sua capacidade de permanecer simples e prático para o uso no mundo real. Os pesquisadores descobriram que não precisavam de uma lista longa de dezenas de variáveis para fazer previsões precisas. Através de um processo de seleção cuidadoso, eles reduziram as entradas para apenas doze variáveis que são rotineiramente registradas pelas enfermeiras de triagem, tais como frequência cardíaca, pressão arterial, níveis de oxigênio, idade e histórico médico específico. Este conjunto de entradas "parcimonioso" significa que o sistema pode ser usado imediatamente sem exigir entrada de dados complexos ou espera por resultados laboratoriais. O modelo também inclui um sistema de explicação integrado. Quando ele sinaliza um paciente como de alto risco para uma condição específica, não fornece apenas um número; ele destaca exatamente quais fatores contribuíram para essa decisão. Por exemplo, se o sistema prevê um alto risco de embolia pulmonar, ele pode mostrar que o histórico de hipertensão pulmonar do paciente foi o principal fator determinante dessa previsão, permitindo que o clínico veja a lógica por trás do alerta.

Os resultados do estudo foram promissores. Nos testes internos, o sistema alcançou um alto nível de precisão ao distinguir entre pacientes que desenvolveriam essas condições e aqueles que não as desenvolveriam, desempenhando tão bem quanto ou melhor do que os modelos existentes de aprendizado de máquina de doença única. Mais importante ainda, quando testado nos dados externos de Boston e da Califórnia, o sistema manteve um forte desempenho sem a necessidade de ser retreinado ou ajustado para os novos locais. Isso sugere que os padrões que o modelo aprendeu são robustos e podem transitar por diferentes ambientes hospitalares. Para as sete condições agudas, o sistema identificou os riscos com um alto grau de confiabilidade e, para os dois desfechos de destino, também teve um bom desempenho. Os pesquisadores observaram que, embora o sistema fosse excelente em classificar os pacientes por risco, sua capacidade de prever eventos muito raros com precisão perfeita era ligeiramente menor, o que é um desafio comum na predição médica. No entanto, o sistema forneceu com sucesso um perfil de risco coordenado e multicondicional que os clínicos puderam interpretar imediatamente.

O estudo também examinou como o sistema lida com a realidade do atendimento de emergência, onde os dados são frequentemente incompletos ou ausentes. Os pesquisadores projetaram o sistema para lidar com informações ausentes usando valores padrão pré-definidos baseados nos dados de treinamento, garantindo que o modelo se comporte de forma consistente, independentemente de um determinado sinal vital ter sido registrado ou não. Eles também garantiram que o sistema não dependesse do Índice de Gravidade da Emergência, uma pontuação frequentemente atribuída por enfermeiros, para evitar o raciocínio circular onde o modelo simplesmente repete a avaliação inicial da enfermeira. Em vez disso, ele constrói sua própria avaliação independente a partir dos dados clínicos brutos. Os pesquisadores enfatizaram que esta ferramenta é destinada a ser um auxílio à decisão, não um substituto para o julgamento clínico. Ela foi projetada para ajudar os clínicos a organizar seus pensamentos e priorizar quais condições investigar primeiro, potencialmente acelerando o tempo para tratamentos críticos como antibióticos para sepse ou anticoagulantes para coágulos.

Apesar do forte desempenho, os autores advertem cuidadosamente que este é um estudo retrospectivo, o que significa que analisou dados passados em vez de testar o sistema em um ambiente real e em tempo real. Eles reconhecem que, antes que tal ferramenta possa ser amplamente adotada, ela deve ser testada prospectivamente para ver como ela realmente afeta os resultados dos pacientes, a eficiência do fluxo de trabalho e se ajuda ou dificulta o processo de tomada de decisão. Existem também limitações em relação às fontes de dados específicas utilizadas; por exemplo, o sistema depende de dados estruturados e ainda não incorpora notas não estruturadas ou resultados de imagem. Além disso, o estudo não incluiu uma análise detalhada de como o sistema desempenha em diferentes grupos raciais ou étnicos, já que esses dados não estavam consistentemente disponíveis em todos os hospitais estudados. Estas são áreas importantes para pesquisas futuras para garantir que a ferramenta seja segura e eficaz para todos.

Em última análise, este trabalho representa uma mudança na forma como a avaliação de risco de emergência pode ser abordada. Ao se afastar de uma coleção de ferramentas isoladas de doença única em direção a um framework unificado e interpretável, os pesquisadores demonstraram que é possível visualizar todo o espectro dos potenciais riscos de um paciente logo no início de seu atendimento. O sistema fornece uma probabilidade clara e calibrada para múltiplas condições simultaneamente, acompanhada de uma explicação do porquê esses riscos foram sinalizados. Esta abordagem respeita a complexidade da unidade de emergência, onde os pacientes frequentemente apresentam sintomas sobrepostos e múltiplos diagnósticos potenciais. Embora o sistema ainda não seja um produto finalizado pronto para implementação imediata em todos os hospitais, ele oferece uma prova de conceito convincente de que um único framework inteligente pode ajudar os clínicos a navegar pela incerteza dos primeiros minutos de um encontro de emergência, potencialmente economizando um tempo valioso e melhorando o cuidado de pacientes com condições de vida ou morte.