Interpretable Machine Learning for Identifying High SBS-Related Symptom Burden Among Endoscopy-Center Staff: A Multicenter Cross-Sectional Study Across 184 Hospitals

Resumo Técnico: Aprendizado de Máquina Interpretável para Identificação de Alta Carga de Sintomas Relacionados à SBS entre Funcionários de Centros de Endoscopia

Definição do Problema
Os funcionários dos centros de endoscopia enfrentam riscos complexos de saúde ocupacional devido à exposição crônica a desinfetantes químicos (ex: glutaraldeído, orto-ftalaldeído), riscos biológicos e aerossóis. Embora pesquisas anteriores tenham se concentrado em doenças diagnosticadas, os trabalhadores frequentemente experimentam desconfortos não específicos persistentes (fadiga, irritação, distúrbios do sono) antes do início de doenças manifestas. Este estado, caracterizado pela Síndrome do Edifício Doente (SBS - Sick Building Syndrome) relacionada a sintomas, é multifatorial, envolvendo interações entre exposição química, qualidade do ar interno e estresse psicossocial. Estudos existentes são limitados pelo foco em fatores de exposição únicos, desenhos de centro único e pelo uso de modelos lineares convencionais que têm dificuldade com a natureza não linear, de alta dimensionalidade e correlacionada dos dados ocupacionais do mundo real. Há uma necessidade de uma abordagem multidimensional para identificar indivíduos de alto risco e determinantes acionáveis para intervenção precoce.

Metodologia
O estudo empregou um desenho transversal multicêntrico envolvendo 301 questionários válidos de funcionários de centros de endoscopia em 184 hospitais em cinco províncias da China.

• Coleta de Dados e Definição de Desfecho: Um questionário estruturado avaliou demografia, estilo de vida, estado de saúde, ambiente de trabalho e percepções relacionadas ao trabalho. O desfecho primário foi uma "pontuação total de carga de sintomas relacionados à SBS" derivada de 29 itens de sintomas (oculares, respiratórios, neurológicos/sono, dermatológicos e gastrointestinais/emocionais) relatados nas duas semanas anteriores. As pontuações foram dicotomizadas usando o percentil 75 específico da amostra (P75 = 24,5) para definir um grupo de "alta carga de sintomas" (pontuação ≥ 24,5) versus um grupo de baixa carga.
• Seleção de Características: Foi utilizada a Eliminação Recursiva de Características com Validação Cruzada (RFECV) usando um Support Vector Machine (SVM) como estimador base para selecionar as variáveis mais preditivas do conjunto inicial. Este processo reduziu o conjunto de características para 12 candidatas, que foram posteriormente refinadas para 10 com base na análise de importância SHAP (excluindo gênero e consumo de álcool, que mostraram importância zero).
• Estratégia de Modelagem: Nove algoritmos de aprendizado supervisionado (XGBoost, Regressão Logística, LightGBM, Random Forest, AdaBoost, KNN, SVM, Árvore de Decisão, GBDT) foram comparados usando validação cruzada de cinco dobras (five-fold cross-validation). Os hiperparâmetros foram ajustados via busca em grade (grid search). A Regressão Logística foi selecionada como o modelo final devido à sua AUC superior e calibração (menor escore de Brier) nas dobras de validação.
• Interpretabilidade: O modelo final foi interpretado usando SHapley Additive exPlanations (SHAP) para quantificar as contribuições das características tanto em nível global (importância ao nível da população) quanto individual.
• Validação: O conjunto de dados foi dividido em um conjunto de treinamento (70%) e um conjunto de teste independente (30%). O desempenho do modelo foi avaliado por meio de AUC, acurácia, sensibilidade, especificidade, valores preditivos positivo/negativo, pontuação F1 e o Kappa de Cohen.

Principais Resultados

• Características dos Participantes: A coorte foi predominantemente feminina (93,7%) com idade mediana de 34 anos. O grupo de alta carga de sintomas (25,1% dos participantes) relatou significativamente menor satisfação com a temperatura, umidade e ar fresco no local de trabalho, maior estresse laboral e pior qualidade do sono em comparação ao grupo de baixa carga.
• Desempenho do Modelo: A Regressão Logística demonstrou o melhor desempenho. No conjunto de teste independente, o modelo alcançou:
  • AUC: 0,891
  • Acurácia: 0,823
  • Sensibilidade: 0,750
  • Especificidade: 0,847
  • Valor Preditivo Negativo (VPN): 0,910
  • Valor Preditivo Positivo (VPP): 0,621
  • Pontuação F1: 0,679
  • Kappa de Cohen: 0,558
    O modelo apresentou boa calibração (escore de Brier: 0,113) e a análise da curva de decisão indicou um benefício líquido sobre as estratégias "tratar todos" ou "não tratar ninguém" em uma ampla gama de probabilidades de limiar.
• Preditores Chave (Análise SHAP): Os preditores mais influentes para a alta carga de sintomas foram:
  1. Odor no local de trabalho (maior impacto)
  2. Qualidade do ar percebida
  3. Colegas com sintomas semelhantes
  4. Estresse laboral
  5. Satisfação com o suprimento de ar fresco
     Outros fatores significativos incluíram qualidade do sono, ventilação doméstica, duração do sono, visitas hospitalares por sintomas e doenças pré-existentes. A análise revelou que condições adversas (ex: odores fortes, má qualidade do ar, alto estresse) deslocaram as previsões para alta carga de sintomas, enquanto fatores protetivos (ex: bom sono, ausência de sintomas em colegas) deslocaram as previsões para baixa carga.

Significância e Alegações
Os autores afirmam que este estudo desenvolveu e validou com sucesso um modelo de aprendizado de máquina interpretável capaz de identificar funcionários de centros de endoscopia com uma alta carga de sintomas relacionados à SBS em um estágio pré-doença. A significância do trabalho reside em três áreas principais:

1. Integração Multidimensional: O modelo vai além da análise de fator único, demonstrando que a alta carga de sintomas surge do impacto cumulativo das condições do ar no local de trabalho, carga psicossocial e status de recuperação individual.
2. Insights Acionáveis: Ao utilizar SHAP, o estudo identifica determinantes específicos e acionáveis (ex: odor, suprimento de ar fresco, estresse laboral) em vez de apenas escores de risco abstratos. Isso permite intervenções direcionadas, como a otimização do gerenciamento de ventilação e o enfrentamento de estressores psicossociais.
3. Utilidade Prática: O modelo baseia-se em variáveis obtidas através de questionários de rotina, sugerindo que pode servir como uma ferramenta prática para estratificação de risco de saúde ocupacional precoce. Ele permite a detecção de perigos ao nível do departamento (via "sintomas semelhantes em colegas") e triagem de risco individual, facilitando a vigilância de saúde proativa e a otimização ambiental em centros de endoscopia.

Os autores mantêm uma postura modesta, reconhecendo que o desenho transversal impede a inferência causal e que a dependência de dados ambientais autorrelatados pode introduzir viés subjetivo. Eles observam que a generalização do modelo para outras funções ocupacionais ou ambientes de saúde requer avaliação adicional.