Machine Learning and Large Language Models for Maternal Cardiometabolic Risk Prediction Across Harmonised Public Pregnancy Datasets

A gravidez é um evento fisiológico profundo que atua como um rigoroso teste de estresse para o coração e o metabolismo de uma mulher. Durante esses nove meses, o corpo deve gerenciar o aumento do volume sanguíneo, as mudanças nos níveis hormonais e as demandas metabólicas de um feto em crescimento. Para muitas, esse processo ocorre sem problemas, mas para outras, revela vulnerabilidades subjacentes. Condições como pressão alta, glicemia irregular e baixos níveis de ferro no sangue podem surgir ou piorar, criando uma teia complexa de riscos que ameaçam tanto a mãe quanto o bebê. Essas complicações não são eventos isolados; elas são frequentemente interconectadas e sua presença pode sinalizar uma maior probabilidade de partos difíceis, parto prematuro ou problemas de saúde a longo prazo para a mãe mais tarde na vida. Identificar esses riscos precocemente permite que os médicos intervenham, monitorem mais de perto e personalizem o cuidado para prevenir desfechos graves.

Por décadas, profissionais médicos confiaram em limiares específicos e indicadores individuais para detectar esses perigos. Uma leitura de pressão arterial acima de um certo número ou um nível de glicose fora de uma faixa normal dispara um alerta. No entanto, o corpo humano nem sempre segue regras simples e lineares. A interação entre a idade da mulher, seu ganho de peso, seu histórico de gestações anteriores e seus sinais vitais atuais cria um padrão que é difícil de capturar com uma única lista de verificação. Essa complexidade levou pesquisadores a explorar se computadores poderiam aprender a reconhecer esses padrões sutis e não lineares melhor do que os métodos tradicionais. A esperança é que, ao alimentar algoritmos avançados com vastas quantidades de dados clínicos, as máquinas possam prever quem está em maior risco, mesmo antes que os sintomas se tornem óbvios.

Um estudo recente buscou testar essa ideia usando duas abordagens diferentes: o aprendizado de máquina tradicional e os novos modelos de linguagem de grande escala, mais conversacionais. Os pesquisadores começaram reunindo dados de duas coleções de registros de saúde materna disponíveis publicamente. Um conjunto de dados continha informações gerais sobre mulheres grávidas, enquanto o outro focava especificamente em uma condição chamada pré-eclâmpsia, um distúrbio grave envolvendo pressão alta. Para fazer com que essas duas fontes diferentes funcionassem juntas, a equipe teve que traduzir suas variáveis para uma linguagem comum. Eles alinharam medições como pressão arterial, níveis de hemoglobina e idade gestacional para que uma leitura em um conjunto de dados significasse a mesma coisa no outro. Eles também padronizaram os rótulos de risco, agrupando as mulheres em categorias de baixo, médio e alto risco com base em seus registros médicos existentes.

A primeira fase da pesquisa envolveu o treinamento de um conjunto de modelos computacionais no primeiro conjunto de dados. Esses modelos tinham a tarefa de analisar o perfil clínico de uma mulher e prever sua categoria de risco. Os pesquisadores testaram vários tipos diferentes de algoritmos, incluindo árvores de decisão e máquinas de vetores de suporte, para ver qual aprendia os padrões de forma mais eficaz. Um modelo, conhecido como HistGradientBoosting, emergiu como o melhor desempenho. Quando testado contra os dados que aprendeu, identificou corretamente o nível de risco em quase 88 por cento dos casos. Ele demonstrou uma forte discriminação interna ao separar pacientes de alto risco do restante, com uma área sob a curva de característica de operação do receptor de 0,989 e uma área sob a curva de precisão-recall de aproximadamente 0,974. O modelo também identificou quais fatores eram mais importantes, destacando que a distância até um hospital, os níveis de glicose no sangue e o ganho de peso durante a gravidez foram os principais impulsionadores de suas decisões.

No entanto, o verdadeiro teste de qualquer ferramenta de previsão médica não é o quão bem ela funciona nos dados em que foi treinada, mas o quão bem ela funciona em novos dados não vistos. Foi aqui que o estudo tomou um rumo crítico. Os pesquisadores pegaram seu melhor modelo e o aplicaram diretamente ao segundo conjunto de dados, que vinha de uma fonte diferente e continha pacientes diferentes. Eles não retreinaram o modelo nem ajustaram suas configurações; simplesmente pediram que ele fizesse previsões baseadas nas seis variáveis que ambos os conjuntos de dados compartilhavam. Os resultados foram drasticamente diferentes. A precisão do modelo caiu significativamente, classificando corretamente apenas cerca de 39 por cento dos casos. Mais preocupante ainda, ele falhou em identificar uma única mulher que era de alto risco neste novo grupo. Em vez disso, rotulou todas as 26 mulheres de alto risco como de baixo ou médio risco. Essa falha sugeriu que os padrões que o modelo aprendeu eram específicos para o primeiro grupo de pacientes e não se traduziram para o segundo, provavelmente porque os dois grupos diferiam em aspectos fundamentais, como a idade média das mães ou o momento de seus exames de sangue.

Reconhecendo que os modelos tradicionais poderiam ter dificuldade com essa falta de generalização, os pesquisadores recorreram aos modelos de linguagem de grande escala. Estes são os mesmos tipos de inteligência artificial que podem escrever ensaios, responder perguntas e manter conversas. A equipe converteu os registros médicos estruturados em narrativas em linguagem natural, descrevendo o histórico e a condição atual de cada paciente em algumas frases. Eles então pediram a dois modelos de linguagem diferentes, DeepSeek e Qwen, para ler essas histórias e prever o nível de risco. Eles testaram várias formas de indução (prompting) nos modelos, incluindo dar-lhes exemplos de como resolver problemas semelhantes antes de pedir que resolvessem um novo problema. A configuração de melhor desempenho, que utilizou um tipo específico de prompt de raciocínio, conseguiu identificar corretamente o nível de risco em cerca de 58 por cento dos casos. Embora isso tenha sido melhor do que o desempenho do modelo tradicional nos novos dados, ainda estava longe de ser perfeito. O modelo mostrou um viés claro: identificou com sucesso todos os quatro casos de alto risco no pequeno grupo de teste, mas falhou em identificar qualquer um dos casos de baixo risco, essencialmente supondo que todos estavam pelo menos um pouco em risco.

Os pesquisadores também observaram como esses diferentes sistemas explicavam suas decisões. Eles compararam os fatores que o modelo de aprendizado de máquina tradicional considerou importantes com as palavras-chave que os modelos de linguagem usaram em suas explicações escritas. Ambos os sistemas concordaram que a pressão arterial, o açúcar no sangue e os níveis de hemoglobina eram indicadores críticos de risco. No entanto, eles divergiram em outros fatores. O modelo tradicional atribuiu um peso significativo à distância que a paciente morava de um hospital e ao quanto ela ganhou de peso, provavelmente porque estes eram sinais estatísticos fortes nos dados. Os modelos de linguagem, por outro lado, raramente mencionaram esses fatores logísticos e físicos. Em vez disso, focaram mais intensamente no histórico médico passado da paciente e em complicações anteriores, baseando-se no conhecimento clínico incorporado em seu treinamento. Essa diferença destaca uma lacuna entre o que os dados sugerem estatisticamente e o que os modelos consideram clinicamente plausíveis.

O estudo conclui que, embora essas ferramentas mostrem promessa, elas ainda não estão prontas para uso clínico. O modelo de aprendizado de máquina tradicional teve um bom desempenho dentro do ambiente para o qual foi construído, mas não conseguiu se adaptar a uma nova população, um obstáculo comum na inteligência artificial médica. Os modelos de linguagem de grande escala mostraram capacidade de ler notas de casos e gerar explicações legíveis por humanos, mas suas previsões eram instáveis e propensas a vieses. Os pesquisadores enfatizam que o valor deste trabalho não reside na produção de um único preditor perfeito, mas em demonstrar a dificuldade de mover um modelo de um conjunto de dados para outro. Eles sugerem que, para que essas tecnologias se tornem úteis em hospitais do mundo real, devem ser testadas em grupos de pacientes muito maiores e mais diversos, e validadas contra desfechos de saúde reais, em vez de apenas rótulos existentes. Até lá, esses sistemas permanecem como ferramentas experimentais que podem organizar informações e sugerir possibilidades, mas ainda não podem substituir o julgamento de um clínico.