Integrating Clinical Parameters and Cardiotocograms for Real-Time Alerting

Resumo Técnico: Integração de Parâmetros Clínicos e Cardiotocografias para Alerta em Tempo Real

Definição do Problema
A cardiotocografia (CTG) é o método padrão para monitoramento da condição fetal durante o trabalho de parto, registrando a frequência cardíaca fetal (FCF), as contrações uterinas (CU), a frequência cardíca materna (FCM) e os movimentos fetais (MF). No entanto, a interpretação visual é subjetiva, levando a uma variabilidade significativa entre avaliadores e intra-avaliadores, além de decisões clínicas inconsistentes. Embora existam sistemas assistidos por computador, eles são frequentemente limitados à análise retrospectiva ou a uma lógica baseada em regras rígidas que não consegue descobrir novos padrões. Além disso, as abordagens de aprendizado de máquina existentes dependem tipicamente de vetores de características estáticas (tornando-as retrospectivas) ou focam exclusivamente em sinais brutos sem integrar o contexto clínico. Há uma falta de avaliação sistemática sobre a integração de parâmetros clínicos (PCs) estáticos em sistemas de interpretação de CTG contínuos e em tempo real.

Metodologia
O estudo utiliza um conjunto de dados retrospectivo de 254 registros de 147 pacientes da Escola de Medicina de Hannover (janeiro–agosto de 2024). O conjunto de dados inclui quatro sinais amostrados a 4 Hz (FCF, CU, FCM, MF) e parâmetros clínicos estáticos extraídos de prontuários eletrônicos (ex: idade materna, IMC, histórico obstétrico). Os rótulos de verdade fundamental ('Normal', 'Suspeito', 'Patológico') foram atribuídos por dois obstetras experientes com base nas diretrizes da FIGO, apresentando um acordo moderado entre avaliadores (Cohen's $\kappa$ = 0,587).

Os autores desenvolveram e compararam três arquiteturas de aprendizado de máquina, cada uma testada em duas configurações: uma base (apenas dados de CTG) e uma versão aumentada (incorporando PCs estáticos). Os modelos foram avaliados em um cenário de tempo real simulado, gerando previsões a 1 Hz a partir do primeiro minuto de dados disponíveis.

1. Modelo Baseado em Características (XGBoost): Um classificador de Gradient Boosting Extremo que processa características de engenharia derivadas de janelas deslizantes (10, 90 e 120 minutos). As características incluíram linha de base da FCF, variabilidade, contagem de eventos e novas características de duração de estado (tempo cumulativo em estados críticos). Os PCs estáticos foram concatenados ao vetor de características.
2. Modelo Baseado em Dados Brutos (Transformer): Um transformer de séries temporais que processa sinais brutos pré-processados (FCF, CU, FCM e um indicador de ausência) utilizando uma camada de incorporação (embedding) convolucional seguida por um codificador de duas camadas. Os PCs estáticos foram incorporados via MLP e fundidos a cada passo de tempo.
3. Modelo Híbrido (LSTM): Uma rede de Long Short-Term Memory que processa um vetor combinado de sinais brutos e características de engenharia. Para a versão aumentada, um MLP processou os PCs estáticos em paralelo, criando uma incorporação clínica concatenada à saída da LSTM em cada passo de tempo.

Principais Contribuições

• Análise Contínua em Tempo Real: Ao contrário de muitos estudos que utilizam vetores estáticos ou segmentos fixos, este trabalho implementa a extração de características e a previsão contínua segundo a segundo, abordando a dinâmica temporal das transições de estado fetal.
• Avaliação Sistemática de Parâmetros Clínicos: O estudo quantifica explicitamente o impacto da integração de um conjunto abrangente de parâmetros clínicos estáticos em diferentes arquiteturas, desafiando a suposição de que mais dados são sempre benéficos.
• Superioridade da Arquitetura Híbrida: O artigo demonstra que a fusão de dados de sinais brutos com características de engenharia baseadas em conhecimento produz um desempenho superior em comparação com abordagens puramente baseadas em características ou puramente em dados brutos.
• Métricas Orientadas à Clínica: O desempenho é priorizado pela sensibilidade (recall) de 'Patológico' e pelo F1-score macro, reconhecendo a necessidade crítica de minimizar falsos negativos na detecção de sofrimento fetal, ao mesmo tempo em que considera o desequilíbrio severo das classes.

Resultos

• Melhor Modelo de Desempenho: O modelo híbrido LSTM sem parâmetros clínicos alcançou o melhor desempenho geral, com um recall de 'Patológico' ($R_p$) de 0,565 e um F1-score macro de 0,545. Este desempenho atingiu aproximadamente 85% do nível de concordância entre especialistas ($R_p$ = 0,697).
• Impacto dos Parâmetros Clínicos: A inclusão de PCs não foi uniformemente benéfica e dependeu fortemente do modelo:
  • Transformer: O desempenho melhorou com os PCs ($R_p$ aumentou de 0,560 para 0,595).
  • Híbrido LSTM: O desempenho degradou com os PCs ($R_p$ caiu de 0,565 para 0,490), embora o recall de 'Suspeito' tenha melhorado significamente.
  • XGBoost: O desempenho geral degradou com os PCs.
• Análise de Erros: As classificações incorretas ocorreram predominantemente entre classes adjacentes (ex: de 'Normal' para 'Suspeito') e em limites temporais, refletindo a natureza gradual das transições de estado fetal e a imprecisão inerente à anotação manual.

Significância e Alegações
Os autores afirmam que seu trabalho estabelece a base metodológica para sistemas de alerta em tempo real clinicamente úteis. Eles sustentam que a abordagem híbrida é superior para a análise contínua de CTG porque aproveita as forças complementares do aprendizado profundo (capturando dinâmicas temporais sutis de sinais brutos) e da engenharia de características (integrando lógica clínica de alto nível).

O estudo conclui modestamente que, embora os modelos híbridos sejam viáveis para alertas automáticos, a integração de parâmetros clínicos estáticos requer uma seleção cuidadosa e específica para cada arquitetura, em vez de uma simples inclusão. Os autores enfatizam que suas descobertas apoiam os clínicos na tarefa complexa de interpretação de CTG, mas observam que validações adicionais em conjuntos de dados multicêntricos maiores e ensaios clínicos prospectivos são necessárias antes da translação clínica. O artigo afirma explicitamente que o objetivo não é replicar perfeitamente um único anotador, mas estabelecer um sistema robusto que reduza a subjetividade inerente à prática clínica atual.