Explainable Machine Learning for 30-Day Hospital Readmission Risk Prediction in Patients with Diabetes: A Comparative Analysis of Model Performance and Algorithmic Fairness

Todos os anos, nos Estadosos Unidos, milhões de pessoas deixam o hospital apenas para retornar dentro de um mês. Para pacientes com diabetes, este ciclo é particularmente comum, com quase um em cada quatro retornando para outra internação. Esses retornos não são apenas uma dificuldade pessoal; eles representam um enorme fardo financeiro para o sistema de saúde, custando bilhões de dólares anualmente. Para desencorajar esse padrão, programas federais podem reduzir os pagamentos a hospitais que não conseguem manter suas taxas de readmissão baixas. No entanto, apesar dos altos riscos, os hospitais muitas vezes carecem de uma maneira confiável de saber quais pacientes específicos têm maior probabilidade de retornar antes de serem dispensados. Os médicos devem fazer esses julgamentos baseados em experiência e intuição, pesando dezenas de fatores como a idade do paciente, histórico médico passado e medicamentos atuais, tudo ao mesmo tempo.

É aqui que o aprendizado de máquina entra, não como um substituto para o julgamento humano, mas como uma ferramenta para ajudar a filtrar o ruído. O aprendizado de máquina é um método onde computadores aprendem a reconhecer padrões em grandes quantidades de dados sem serem explicitamente programados com um conjunto de regras. Neste contexto, o objetivo é construir um sistema que possa analisar o registro médico de um paciente e estimar a probabilidade de uma visita de retorno. O desafio reside no volume imenso de informações disponíveis; um único registro de paciente pode conter centenas de pontos de dados diferentes, desde resultados de exames laboratoriais até o tipo de seguro que possui. Além disso, os dados são frequentemente desorganizados, com valores ausentes e relações complexas entre variáveis que são difíceis de serem rastreadas manualmente por humanos. A questão que os pesquisadores fizeram foi se um computador poderia aprender a detectar os sinais sutis de risco escondidos dentro dessa complexidade melhor do que uma simples lista de verificação poderia.

Um pesquisador da Universidade da Pensilvânia, Zisheng Liang, enfrentou esse problema construindo e testando vários modelos de computador diferentes para prever readmissões de 30 dias para pacientes diabéticos. O estudo baseou-se em uma coleção massiva de registros médicos do mundo real de mais de 100.000 visitas hospitalares em 130 hospitais nos Estados Unidos, abrangendo quase uma década. Após limpar cuidadosamente os dados — removendo registros incompletos ou irrelevantes e organizando a informação em um formato que os computadores pudessem entender — o pesquisador ficou com um conjunto de dados onde apenas cerca de 11 por cento dos pacientes haviam sido realmente readmitidos. Esse desequilíbrio significava que um computador poderia simplesmente adivinhar "não retorna" para cada um dos pacientes e ainda assim estar certo na maioria das vezes, mas falharia completamente em seu trabalho real de encontrar as pessoas que precisavam de ajuda.

Para resolver isso, o pesquisador treinou quatro tipos diferentes de algoritmos, cada um com sua própria maneira de pensar sobre os dados. Um tipo, chamado regressão logística, funciona como uma escala ponderada, somando fatores para chegar a uma decisão. Outro, uma árvore de decisão, faz uma série de perguntas de sim ou não para estreitar a resposta. Uma terceira, uma floresta aleatória (random forest), combina a lógica de muitas árvores de decisão para criar uma previsão mais robusta. O pesquisador também criou novos recursos para ajudar os modelos, como contar o número total de medicamentos que um paciente estava tomando ou agrupar códigos médicos complexos em categorias mais amplas, como problemas "circulatórios" ou "respiratórios". Crucialmente, os dados foram divididos de uma forma que mimetizava a vida real: o modelo aprendeu com visitas passadas e foi testado em visitas futuras, garantindo que pudesse prever o que aconteceria a seguir, em vez de apenas memorizar o que já havia ocorrido.

Quando os modelos foram postos à prova, os resultados foram reveladores. Nenhum dos algoritmos alcançou a precisão perfeita, o que o pesquisador observou ser esperado dada a dificuldade de prever o comportamento humano e os resultados de saúde. No entanto, o modelo de floresta aleatória emergiu como a ferramenta mais eficaz para o objetivo específico do estudo. Ele identificou com sucesso cerca de 71 por cento dos pacientes que foram realmente readmitidos, uma taxa significativamente superior à dos outros modelos. Embora os outros modelos fossem ligeiramente melhores em evitar alarmes falsos, a capacidade da floresta aleatória de capturar a maioria dos pacientes de alto risco tornou-a a mais valiosa para um hospital que tenta prevenir retornos. A análise mostrou que os fatores mais importantes que impulsionaram essas previsões não eram surpreendentes para os profissionais médicos: o número de internações anteriores, o número total de visitas prévias e para onde o paciente foi dispensado foram os indicadores mais fortes de risco.

O estudo também analisou de perto se esses modelos tratavam diferentes grupos de pessoas de forma justa, verificando se as previsões variavam com base na raça, gênero ou idade. Os resultados mostraram que nenhum modelo era perfeitamente justo em todos os grupos. O modelo de floresta aleatória, embora fosse o melhor em capturar pacientes de alto risco no geral, apresentou uma lacuna maior de desempenho entre diferentes grupos raciais em comparação com os modelos mais simples. O pesquisador reconheceu essa compensação, observando que, embora o modelo não fosse igualmente preciso para cada grupo demográfico, sua capacidade superior de identificar os pacientes que realmente precisavam de intervenção o tornava a melhor escolha para implementação, desde que os médicos permanecessem cientes dessas limitações.

Em última análise, o estudo conclui que, embora o aprendizado de máquina não possa prever o futuro perfeitamente, ele pode servir como um assistente poderoso. O sistema proposto não tomaria decisões pelos médicos, mas em vez disso forneceria uma lista classificada de pacientes, destacando aqueles com maior probabilidade de retornar para que as equipes de cuidados pudessem priorizá-los para suporte adicional, como consultas de acompanhamento ou revisão de medicação. O pesquisador enfatizou que esta ferramenta ainda é um trabalho em progresso; os dados utilizados eram do final da década de 1990 e início dos anos 2000, o que significa que não refletem as práticas médicas atuais ou condições sociais como estabilidade habitacional. Antes que tal sistema pudesse ser usado em um hospital real, ele precisaria ser testado em dados modernos e validado para garantir que funcione conforme o pretendido. Por enquanto, o trabalho demonstra que os computadores podem aprender a reconhecer os padrões complexos de risco no cuidado ao diabetes, oferecendo um caminho potencial para reduzir o ciclo de retornos hospitalares, mesmo que o caminho ainda não esteja totalmente pavimentado.