Electronic Health Record-Based Machine Learning Models for Predicting Revascularization, Amputation, and Cardiovascular Mortality in At-Risk Patients

Todos os anos, milhares de pessoas enfrentam uma escolha terrível: a perda de um membro ou a perda de sua vida. Esse combate muitas frequentemente começa com uma condição silenciosa e progressiva, onde os vasos sanguíneos nas pernas se estreitam e endurecem, privando os músculos e a pele de oxigênio. Quando esse bloqueio se torna grave, pode levar a feridas abertas que se recusam a cicatrizar ou a um estado em que o membro está em constante perigo de morte. Os médicos chamam isso de doença arterial periférica e, em sua forma mais crítica, isquemia crônica ameaçadora de membro. Para pacientes com essas condições, ou com úlceras de pé diabético, o caminho à frente é repleto de incertezas. Um médico deve decidir se realiza uma cirurgia complexa para restaurar o fluxo sanguíneo, se amputa o membro danificado para salvar a vida do paciente ou se foca nos cuidados de conforto. Essas decisões são incrivelmente difíceis porque cada paciente é diferente, carregando uma mistura única de outros problemas de saúde, desde diabetes até doenças cardíacas, e fatores sociais que influenciam como eles respondem ao tratamento.

Por décadas, os médicos confiaram em sistemas de pontuação e calculadoras de risco para orientar essas escolhas, mas essas ferramentas muitas vezes falharam em ganhar confiança generalizada. Elas são rígidas demais para uma doença que é tão caótica e pessoal, ou dependem de dados que são difíceis de reunir de forma consistente. Agora, uma equipe de pesquisadores da Universidade da Carolina do Norte recorreu a um tipo diferente de guia: os registros digitais massivos do próprio cuidado ao paciente. Ao usar uma nova maneira de organizar milhões de registros eletrônicos de saúde, eles construíram um conjunto de modelos computacionais projetados para prever o que acontecerá com um paciente a seguir. O objetivo deles não era substituir o médico, mas dar a ele uma visão mais clara do futuro, ajudando a decidir quem precisa de cirurgia, quem pode perder um membro e quem corre o risco de morrer por causas relacionadas ao coração.

Os pesquisadores começaram com um vasto grupo de quase 179.000 pacientes adultos que receberam cuidados dentro do Sistema de Saúde da UNC entre 2014 e 2024. Eram pessoas já conhecidas por estarem em risco de perda de membro, incluindo aquelas com doença arterial periférica, isquemia crônica ameaçadora de membro ou úlceras de pé diabético. Para dar sentido a essa enorme quantidade de informações, a equipe utilizou um sistema padronizado chamado Modelo de Dados Comum OMOP, que atua como um tradutor universal para dados médicos, permitindo que diferentes hospitais falem a mesma língua. Eles adicionaram uma extensão especial a este sistema, preenchendo-o com 127 variáveis específicas relacionadas à doença vascular que geralmente estão ausentes dos registros padrão. Isso permitiu que eles olhassem para os pacientes não apenas como uma coleção de sintomas, mas como pessoas inteiras com milhares de pontos de dados, variando desde sua pressão arterial e resultados de exames laboratoriais até seu histórico de tabagismo, sua mobilidade e até mesmo seu estado cognitivo.

Usando este conjunto de dados rico e harmonizado, a equipe treinou algoritmos computacionais para procurar padrões que médicos humanos poderiam perder. Eles construíram três modelos de previsão distintos. O primeiro tentou adivinhar se um paciente passaria por um procedimento de revascularização, uma cirurgia destinada a abrir artérias bloqueadas. O segundo tentou prever se um paciente eventualmente precisaria de uma amputação. O terceiro tentou prever se um paciente morreria de um evento cardiovascular, como um ataque cardíaco ou um derrame. O computador não olhou apenas para os sinais óbvios de doença nas pernas; ele escaneou através de milhares de fatores potenciais, desde a presença de infecções específicas até o tipo de medicamentos que um paciente tomava, para ver quais deles realmente importavam para o desfecho.

Os resultados revelaram uma história de clareza surpreendente para alguns desfechos e de complexidade persistente para outros. O modelo projetado para prever quem passaria pela cirurgia de revascularização foi excepcionalmente preciso. Ele identificou corretamente os pacientes que passariam pelo procedimento com um nível de precisão que se aproximava da perfeição. Os fatores que impulsionavam essa previsão eram exatamente o que um cirurgião vascular esperaria: o modelo descobriu que os sinais mais fortes eram as doenças específicas das artérias em si, como bloqueios nos membros inferiores e coágulos sanguíneos. O computador aprendeu que, quando esses problemas arteriais específicos estão presentes, o sistema médico responde consistentemente com cirurgia. Foi uma confirmação de que a decisão de operar é impulsionada por sinais claros e objetivos de falha arterial.

A previsão para amputação também foi forte, embora a história por trás dela fosse mais matizada. O modelo mostrou que o fato de um paciente perder um membro depende muito de como seu corpo e mente lidam com o estresse do tratamento. Os preditores mais poderosos não eram apenas a gravidade da ferida na perna, mas como o tratamento interagia com a fragilidade geral do paciente. Por exemplo, se um paciente com demência ou fraqueza física severa passasse por revascularização, o modelo previa uma maior probabilidade de amputação eventual. Por outro lado, para pacientes que eram frágeis demais para passar pela cirurgia, o modelo sugeria que eles tinham menor probabilidade de sofrer uma amputação, provavelmente porque sua equipe de cuidados os direcionava para opções paliativas. Essa descoberta destaca uma realidade difícil: o caminho para a perda de um membro é frequentemente determinado não apenas pela doença na perna, mas pela capacidade do paciente de sobreviver à jornada do tratamento.

No entanto, o modelo para prever a morte cardiovascular contou uma história diferente. Embora o computador pudesse identificar os suspeitos usuais — condições como insuficiência cardíaca, complicações do diabetes e altos níveis de açúcar no sangue — ele não conseguiu prever a morte com a mesma confiança que mostrou para os outros desfechos. A precisão deste modelo foi modesta, sugerindo que, embora os fatores de risco sejam conhecidos, o momento real da morte é influenciado por variáveis imprevisíveis demais para serem capturadas por uma única fórmula. Os pesquisadores observaram que a cirurgia de revascularização, que corrige o problema local na perna, não pareceu alterar o risco de morrer de um evento cardíaco. Isso implica que salvar um membro e salvar uma vida da doença cardíaca são duas batalhas distintas, e consertar uma não garante a vitória na outra.

O estudo também abordou uma esperança comum na pesquisa médica: a de que a inteligência artificial pudesse descobrir novos fatores de risco ocultos que os médicos nunca haviam considerado. Neste caso, o computador não encontrou códigos secretos. As variáveis mais importantes que ele identificou foram aquelas que os clínicos já sabiam serem críticas. A abordagem de aprendizado de máquina não inventou novos conhecimentos; em vez disso, confirmou que o entendimento existente sobre a doença vascular é robusto. Provou que, se você reunir dados suficientes de uma forma limpa e organizada, os padrões da doença tornam-se claros. O fato de o modelo poder prever a amputação tão bem sugere que, com os dados certos, podemos prever esses desfechos, mas também mostra que prever a morte continua sendo um desafio muito maior porque o corpo humano pode falhar de muitas maneiras diferentes.

Este trabalho representa um passo significativo no modo como usamos dados para cuidar de pacientes com condições que ameaçam os membros. Ao organizar os registros eletrônicos de saúde em um formato padrão e adicionar detalhes específicos sobre a doença vascular, os pesquisadores criaram uma ferramenta que pode aprender com as experiências de quase 180.000 pessoas. Os modelos que construíram não são perfeitos, e eles foram testados em pacientes de um único sistema de saúde, o que significa que precisam ser verificados contra dados de outros hospitais para garantir que funcionem em qualquer lugar. No entanto, os resultados oferecem um vislumbre promissor de um futuro onde os médicos podem usar a sabedoria coletiva de milhões de registros de pacientes para tomar decisões melhores e mais personalizadas. Para o paciente que enfrenta a perda de um membro, esse tipo de clareza pode significar a diferença entre um plano de tratamento que funciona e um que não funciona, transformando uma incerteza aterradora em um caminho gerenciável a seguir.