AI-Enabled Early Prediction of Lassa Fever: A Clinical Decision Support System for Endemic Settings

Nas regiões quentes e úmidas da África Ocidental, um jogo silencioso e perigoso de triagem médica desenrola-se todos os dias em clínicas superlotadas. Quando um paciente chega com febre, dor de cabeça e uma sensação geral de mal-estar, o médico enfrenta uma escolha difícil. Estes sintomas são comuns a muitas doenças, desde a malária até à febre tifoide, mas também são os primeiros sinais da febre de Lassa, uma doença viral hemorrágica que pode ser fatal se não for tratada rapidamente. O problema é que confirmar um caso de febre de Lassa requer um teste laboratorial especializado que está frequentemente longe, é caro ou simplesmente indisponível em áreas remotas. No momento em que um resultado laboratorial regressa, o paciente pode já ter espalhado o vírus para outros na sala de espera, ou a sua própria condição pode ter piorado além do reparável. Durante décadas, os médicos tiveram de confiar no seu próprio julgamento e num conjunto de regras gerais para decidir quem precisa de isolamento imediato e quem pode esperar. Esta incerteza cria um gargalo onde os casos mais perigosos podem ser perdidos, ou onde recursos limitados são desperdiçados em pacientes que estão, na verdade, seguros.

Uma equipa de investigadores da Nigéria e parceiros internacionais construiu uma nova ferramenta digital para ajudar os médicos a navegar nesta incerteza antes mesmo de um teste laboratorial ser possível. Eles criaram um sistema informático que atua como um segundo par de olhos para os clínicos, analisando as informações disponíveis no exato momento em que o paciente entra pela porta. Em vez de esperar por um laboratório, o sistema analisa quem é o paciente, há quanto tempo está doente e exatamente quais os sintomas que apresenta. Ao aprender com uma vasta coleção de registos médicos passados, o sistema consegue detetar padrões que são demasiado subtis para o olho humano captar de forma consistente. Não afirma diagnosticar a doença com certeza — isso ainda requer um laboratório — mas pode dizer ao médico quais os pacientes que têm maior probabilidade de ter febre de Lassa e que, portanto, necessitam de atenção urgente. Esta abordagem desloca o foco de adivinhar para calcular, oferecendo uma forma de detetar a doença mais cedo em locais onde cada minuto conta.

Os investigadores treinaram este sistema utilizando uma década de dados do mundo real do Hospital de Ensino Especialista de Irrua, na Nigéria, um dos maiores centros de tratamento de febre de Lassa no mundo. Eles recolheram registos de mais de 31.000 visitas de pacientes entre 2015 e 2025, um período que abrangeu muitas diferentes epidemias e mudanças na forma como a doença se comportou. Para garantir que a ferramenta funcionaria no mundo real, foram muito rigorosos quanto à informação que permitiam ao computador ver. Alimentaram-no apenas com dados que um médico teria logo no início de uma visita: a idade do paciente, quantos dias haviam passado desde o início dos sintomas e uma lista de sintomas como febre, vómitos, dor abdominal ou olhos vermelhos. Deixaram deliberadamente de fora qualquer informação que só seria conhecida após um teste laboratorial, garantindo que a ferramenta pudesse ser usada exatamente quando é mais necessária.

A equipa testou várias formas diferentes de ensinar o computador a reconhecer a doença, acabando por se decidir por um método chamado XGBoost, que é um tipo poderoso de algoritmo de aprendizagem que constrói uma estrutura de tomada de decisão complexa combinando muitas regras simples. Testaram este sistema não apenas em fragmentos aleatórios de dados, mas nos registos dos anos mais recentes, simulando um futuro onde a doença poderia ser menos comum do que foi no passado. Este foi um teste crucial porque a prevalência de casos confirmados nos seus dados diminuiu significativamente ao longo do tempo, de quase 11 por cento nos primeiros anos para pouco mais de 6 por cento no período mais recente. O sistema teve de provar que ainda conseguia encontrar os pacientes doentes, mesmo quando estes eram mais difíceis de localizar.

Os resultados mostraram que a ferramenta foi excecionalmente boa na sua função principal: não deixar passar ninguém que possa estar doente. Nos dados mais recentes, o sistema identificou corretamente quase 98 por cento dos pacientes que foram posteriormente confirmados com febre de Lassa. Este alto nível de sensibilidade é vital num cenário de surto, onde o custo de perder um único caso é a propagação contínua de um vírus mortal. No entanto, os investigadores foram honestos sobre a compensação. Como o sistema está ajustado para captar quase todos os casos possíveis, também sinalizou muitas pessoas que não tinham a doença. No grupo de teste mais recente, apenas cerca de 6 por cento das pessoas que o sistema sinalizou tinham realmente o vírus. Embora isto pareça um número elevado de falsos alarmes, os investigadores explicam que, numa situação de triagem, é muito melhor preparar-se em excesso e isolar algumas pessoas saudáveis do que falhar um único caso infectado.

Para tornar a ferramenta útil para médicos ocupados, a equipa não deu apenas uma resposta simples de "sim" ou "não". Em vez disso, organizaram as previsões do computador em três categorias claras: risco baixo, risco moderado e risco elevado. Isto permitiu ao sistema classificar os pacientes em grupos que correspondiam a diferentes níveis de urgência. Por exemplo, no grupo de teste mais recente, o grupo de "risco elevado" continha apenas cerca de 11 por cento de todos os pacientes, mas incluía quase 30 por cento de todos os casos confirmados de febre de Lassa. Isto significa que a ferramenta concentrou com sucesso os casos mais perigosos num pequeno grupo, permitindo que os hospitais focassem os seus quartos de isolamento e testes laboratoriais limitados nas pessoas que deles mais precisavam. O grupo de "risco moderado" capturou outros 22 por cento dos casos confirmados, garantindo que uma grande maioria das ameaças potenciais fosse escalada para revisão.

O sistema também fornece uma razão para a sua decisão, mostrando ao médico quais os fatores específicos que elevaram ou baixaram a pontuação de risco. Por exemplo, se um paciente for mais velho e tiver apresentado sintomas há apenas alguns dias, o sistema pode classificá-lo como de maior risco. Se tiver olhos vermelhos ou fraqueza geral, esses sintomas podem aumentar a pontuação de risco. Esta transparência ajuda os médicos a confiar na ferramenta, pois podem ver a lógica por trás da sugestão, em vez de a tratarem como uma "caixa negra". Todo o sistema foi construído para ser leve e acessível, funcionando numa página web simples que pode ser aberta num computador ou tablet padrão, sem necessitar de servidores potentes ou ligações de internet caras. Este design garante que a tecnologia possa ser utilizada nas próprias clínicas onde é necessária, mesmo em áreas com infraestruturas limitadas.

O estudo conclui que, embora a ferramenta não seja um substituto para um teste laboratorial ou para o julgamento de um médico, é um auxílio poderoso para os momentos críticos do cuidado ao paciente. Ao utilizar uma década de dados reais para aprender os padrões subtis da doença, o sistema oferece uma forma de tomar decisões mais rápidas e consistentes num ambiente caótico. Os investigadores reconhecem que a ferramenta foi testada num único local e que o seu desempenho pode variar noutros lugares ou sob diferentes condições. Também notam que o elevado número de falsos alarmes é uma parte esperada de uma estratégia de prioridade à segurança num cenário de baixa prevalência. No entanto, a capacidade de captar quase todos os casos confirmados, ao mesmo tempo que classifica os pacientes em grupos de risco claros, sugere que este tipo de apoio digital poderá tornar-se uma parte padrão de como os médicos combatem a febre de Lassa, mudando o rumo do tratamento reativo para o contenção proativa.