Evaluating Patient Representation Strategies for Early Prediction of Alzheimer’s Disease and Related Dementias from Longitudinal EHRs

A doença de Alzheimer e outras demências relacionadas não são eventos súbitos que ocorrem sem aviso; são processos lentos e progressivos que começam a alterar o cérebro anos antes de uma pessoa esquecer um nome ou se perder em um lugar familiar. Como essas mudanças acontecem tão cedo, médicos e pesquisadores há muito esperam encontrar uma maneira de detectar o risco muito antes dos sintomas aparecerem, permitindo cuidados precoces e um melhor planejamento. O desafio é que o cérebro humano é complexo, e os sinais de problemas costumam ser sutis e espalhados pelo histórico médico de uma pessoa. Para resolver isso, cientistas recorreram aos prontuários eletrônicos, os vastos arquivos digitais de cada visita médica, prescrição e teste laboratorial que um paciente já recebeu. Esses registros contêm pistas de uma vida inteira, mas são desordenados, irregulares e difíceis de ler. A questão central para os pesquisadores é como transformar esse fluxo caótico de dados em uma imagem clara de quem está em risco e se a melhor maneira de fazer isso depende de quão longe no futuro estamos tentando prever.

Uma equipe de pesquisadores estabeleceu o objetivo de testar diferentes maneiras de ensinar computadores a ler esses históricos médicos para prever o início da demência. Eles compararam duas abordagens muito diferentes para representar a vida de um paciente no computador. A primeira abordagem era direta e transparente: ela simplesmente contava quantas vezes um paciente havia visitado o médico, quantos medicamentos diferentes ele havia tomado e com que frequência apresentava diagnósticos específicos, organizando essas contagens em janelas de tempo. A segunda abordagem era muito mais complexa, utilizando modelos avançados de inteligência artificial pré-treinados em milhões de registros médicos para criar um "resumo" matemático oculto de toda a jornada de saúde de um paciente. Os pesquisadores queriam ver qual método funcionava melhor, como o desempenho mudava conforme tentavam prever a doença com maior antecedência e se esses métodos funcionariam se aplicados a um grupo de pacientes completamente diferente em um sistema hospitalar distinto.

Utilizando um vasto banco de dados nacional de registros de saúde, a equipe treinou seus modelos para prever a demência seis, doze, vinte e quatro e trinta e seis meses antes de um paciente ser realmente diagnosticado. Eles descobriram que a abordagem mais simples, baseada em contagens, era geralmente a mais confiável. Ela era melhor em distinguir entre pacientes que desenvolveriam a doença e aqueles que não desenvolveriam, e suas previsões eram mais precisas em termos de probabilidade. Essa vantagem era mais pronunciada ao observar o futuro próximo; para previsões feitas seis meses antes de um diagnóstico, o método de contagem simples superou significativamente os modelos complexos de inteligência artificial. No entanto, conforme os pesquisadores olhavam mais para trás no tempo, tentando prever a doença com três anos de antecedência, a lacuna entre os dois métodos diminuía. Na marca de trinta e seis meses, os modelos complexos alcançaram o nível de desempenho das contagens simples, embora ainda não as tenham superado.

O estudo também revelou como os modelos de computador "pensavam" à medida que olhavam mais para o passado. Ao prever a doença no curto prazo, os modelos dependiam fortemente de sintomas cognitivos específicos, como diagnósticos de perda de memória ou comprometimento cognitivo leve. Mas, conforme a janela de previsão se estendia mais para o passado, esses sintomas específicos muitas vezes ainda não estavam presentes nos registros. Nesses casos, os modelos mudavam sua atenção para padrões mais amplos de uso de cuidados de saúde. Eles passaram a ponderar fatores como a frequência com que o paciente visitava o hospital, quantos medicamentos diferentes lhe eram prescritos e o volume geral de suas interações médicas. Parece que muito antes de o céreão mostrar sinais claros de demência, o padrão geral de busca por cuidados do corpo muda, e os modelos aprenderam a usar esses sinais gerais como alertas precoces.

Os pesquisadores também testaram se esses modelos poderiam ser transferidos para um sistema hospitalar diferente sem serem re-treinados, um cenário conhecido como transferência de tiro zero (zero-shot transfer). Eles aplicaram os modelos treinados no banco de dados nacional a um conjunto de dados independente de um hospital universitário. Os resultados foram drásticos: o desempenho caiu significativamente para ambos os métodos. Os modelos tiveram dificuldade em se adaptar à população diferente, que era mais velha e possuía diferentes perfis raciais, bem como a diferentes padrões de como os médicos registravam as informações. Embora os modelos de inteligência artificial complexos tenham resistido um pouco melhor do que as contagens simples nesse cenário difícil de transferência, nenhum dos dois métodos provou ser robusto o suficiente para funcionar perfeitamente entre diferentes sistemas de saúde sem ajustes. Isso sugere que, embora a tecnologia seja poderosa, ela ainda não é uma ferramenta universal que possa ser aplicada em qualquer lugar sem um ajuste local cuidadoso.

Em última análise, o trabalho demonstra que não existe uma única "melhor" maneira de representar o histórico médico de um paciente para prever a demência. A escolha depende do tempo da previsão e do contexto específico. Para detectar a doença no futuro próximo, contagens simples e interpretáveis de eventos médicos continuam sendo o padrão ouro. Para olhar mais adiante, modelos complexos de inteligência artificial tornam-se mais competitivos, oferecendo um equilíbrio diferente de precisão. As descobertas sugerem que o caminho para a detecção precoce não reside em encontrar um único algoritmo perfeito, mas em compreender como diferentes ferramentas capturam diferentes sinais em diferentes momentos e em reconhecer que os próprios sinais mudam à medida que a doença passa de um risco distante para uma realidade iminente.