Statistical learning and prediction of diseases associated with the occurrence of death in the emergency department: An observational study on administrative data from Saint Joseph Hospital in Kinshasa-DRC

Imagine que você está entrando em uma estação de trem movimentada e caótica. Pessoas correm de todas as direções, algumas com um tornozelo torcido, outras segurando o peito, e algumas parecendo completamente perdidas. O trabalho do gerente da estação é descobrir quem precisa de ajuda imediata e quem pode esperar, tudo isso enquanto tenta prever quem poderá não sair vivo da estação. Isso é exatamente o que acontece no departamento de emergência (DE) de um hospital. É a porta de entrada do cuidado de saúde, um lugar onde a vida e a morte muitas vezes estão em jogo.

Por muito tempo, os médicos tentaram adivinhar quais pacientes estavam em maior perigo. Eles usam ferramentas como listas de verificação ou sua própria experiência, quase como um meteorologista olhando para as nuvens para prever uma tempestade. Mas às vezes, as nuvens são traiçoeiras, e a tempestade atinge quando ninguém esperava. É aqui que o "aprendizado estatístico" entra. Pense nisso como dar ao meteorologista um cérebro de computador superinteligente. Em vez de olhar apenas para algumas nuvens, esse cérebro de computador olha para milhares de tempestades passadas, aprende os padrões e descobre quais combinações específicas de condições climáticas geralmente levam a um desastre. No mundo da medicina, isso significa alimentar um computador com dados de pacientes passados — do que eles estavam doentes, qual era a idade deles e o que aconteceu com eles — para ver se o computador consegue detectar os padrões ocultos que levam à morte, padrões que um ser humano poderia perder.

---

O Grande Experimento no Hospital Saint Joseph

Na República Democrática do Congo, em um lugar chamado Hospital Saint Joseph, em Kinshasa, uma equipe de pesquisadores decidiu deixar esse "cérebro de computador superinteligente" dar uma olhada em sua sala de emergência. Eles queriam saber: de todas as diferentes doenças que as pessoas trazem, quais são os maiores sinais de alerta para a morte?

Eles não apenas adivinharam; eles voltaram no tempo. Eles vasculharam os registros de papel de 5.172 pacientes que entraram no departamento de emergência entre 1º de janeiro de 2018 e 31 de dezembro de 2019. Foi como olhar para um álbum de fotos gigante de mais de 5.000 histórias. Eles anotaram a idade do paciente, o sexo, quantas coisas estavam erradas com eles e, o mais importante, se sobreviveram ou faleceram. Neste grupo, cerca de 7,5% das pessoas não sobreviveram à visita.

Ensinando o Computador a Ver

Os pesquisadores tinham um problema: os médicos haviam escrito de mais de mil maneiras diferentes para descrever doenças! Um médico poderia escrever "dor de barriga ruim", enquanto outro escreve "abdômen cirúrgico". Para dar sentido a isso, a equipe agiu como um bibliotecário organizando uma estante bagunçada. Eles agruparam todas aquelas milhares de descrições bagunçadas em 19 categorias organizadas, como "Cânceres", "Malária", "Choque" ou "Lesões cerebrais".

Então, eles dividiram seus dados em dois montes. Deram 70% das histórias ao computador para estudar (o conjunto de "treinamento") e mantiveram os outros 30% escondidos (o conjunto de "teste"). Eles pediram ao computador para tentar seis formas diferentes de aprender, como se estivessem tentando seis métodos de estudo diferentes para ver qual obtém as melhores notas.

Os Resultados: Quem Ganhou a Corrida?

O computador tentou seis diferentes "estilos de aprendizagem":

1. ElasticNet (um método que equilibra diferentes pistas)
2. Regressão Logística (um método matemático clássico)
3. Redes Neurais (imitando o cérebro humano)
4. xGBoost (um poderoso método de boosting)
5. Árvores de Decisão (fazendo escolhas de sim/não como um fluxograma)
6. Random Forest (um conjunto inteiro de árvores de decisão trabalhando juntas)

Quando testaram esses métodos no 30% oculto de pacientes, os resultados foram claros. Quatro dos modelos fizeram um bom trabalho, mas dois deles tropeçaram feio. Os modelos de Árvores de Decisão e Random Forest foram como alunos que esqueceram de estudar; eles tiveram um desempenho tão ruim que mal foram melhores do que jogar uma moeda para o alto.

Os vencedores foram ElasticNet, Regressão Logística, Redes Neurais e xGBoost. Entre eles, o ElasticNet foi o campeão, obtendo a maior "acurácia" (tecnicamente chamada de AUC de 0,736). Essa pontuação sugere que o modelo é bastante bom em diferenciar pacientes que sobreviverão daqueles que não sobreviverão, embora não seja perfeito.

Os Seis Principais Sinais de Perigo

Então, o que o cérebro de computador vencedor aprendeu? Ele identificou os seis tipos específicos de doenças que estavam mais fortemente ligados à morte. Se você fosse um médico no Hospital Saint Joseph, estas são as seis condições que deveriam fazer você apertar o botão de "alerta máximo":

1. Estados de choque: Quando os sistemas do corpo estão colapsando (como o motor de um carro superaquecendo e travando).
2. Sepse: Uma infecção grave e generalizada pelo corpo.
3. Tuberculose ou doenças pulmonares: Problemas com a respiração e os pulmões.
4. Coma: Um estado profundo de inconsciência.
5. Meningoencefalite: Inflamação do cérebro e de suas coberturas.
6. Câncer: Tumores e doenças relacionadas.

Curiosamente, o computador também descobriu que a Malária, que é muito comum naquela parte do mundo, era o sétimo preditor mais importante, mesmo que os métodos matemáticos tradicionais não achassem que ela era tão importante. Ele também notou que "outros traumas" (como acidentes de carro e quedas) eram significativos, provavelmente porque o hospital fica ao lado de uma estrada movimentada que leva ao aeroporto.

O Que Isso Significa (e o Que Não Significa)

Os pesquisadores são cuidadosos ao dizer que isso não é uma varinha mágica que resolve tudo. Eles admitem que seu estudo tem limites. Eles olharam apenas para um hospital, portanto não podemos ter 100% de certeza de que essas regras exatas se aplicam a todos os hospitais do mundo. Além disso, como usaram registros de papel antigos, algumas informações podem ter sido escritas de forma ligeiramente diferente por diferentes médicos, o que pode ter confundido um pouco o computador. O computador também teve dificuldade em prever os casos raros em que as pessoas morreram, muitas vezes prevendo "sobrevivência" apenas para ser seguro, o que é um problema comum quando a morte é um evento raro.

No entanto, o estudo sugere que o uso dessas ferramentas de aprendizado estatístico pode ajudar médicos e gestores hospitalares a tomar melhores decisões. Ao saber que o choque, a sepse e os problemas pulmonares são os principais assassinos, o hospital pode focar seus recursos limitados em observar esses pacientes com atenção extra. É como ter um sistema de alarme inteligente que diz exatamente quais portas trancar primeiro quando uma tempestade está chegando. Os autores esperam que, no futuro, mais estudos confirmem essas descobertas, ajudando médicos em locais com menos recursos a salvar mais vidas.