Feature engineering of digital health data for machine learning prediction of COPD exacerbations in a real-world cohort

Resumo Técnico: Engenharia de Atributos para Predição de Exacerbação de DPOC

Definição do Problema
As exacerbações da Doença Pulmonar Obstrutiva Crônica (DPOC) são um dos principais impulsionadores de morbidade, mortalidade e internações hospitalares, contudo, modelos de predição de curto prazo eficazes permanecem limitados. Embora plataformas digitais de autogestão gerem dados longitudinais, tentativas anteriores de predizer exacerbações utilizando conjuntos limitados de atributos autorrelatados produziram apenas uma precisão modesta. Além disso, não está claro se a integração de dados de atividade física capturados rotineiramente (ex: contagem de passos via dispositivos de pulso) fornece valor preditivo adicional além dos dados de sintomas e estado de saúde. Este estudo aborda a necessidade de sistemas de alerta precoce escaláveis que possam distinguir entre períodos estáveis e exacerbações iminentes utilizando dados de saúde digital do mundo real.

Metodologia
O estudo utilizou uma coorte retrospectiva de 5.865 usuários da plataforma de autogestão digital myCOPD. A análise focou em duas coortes: uma coorte analítica primária de 4.223 usuários com pelo menos uma entrada rotulada no aplicativo, e um subgrupo de dispositivos vestíveis (wearables) de 459 usuários com dados de contagem de passos vinculados.

• Tarefa de Predição: O modelo previu se uma exacerbação (definida como uma pontuação de sintoma de 3 ou 4) ocorreria nas próximas 1 a 3 entradas do aplicativo do paciente, em vez de em intervalos de calendário fixos. Esta abordagem reflete um caso de uso pragmático, orientado pelo engajamento.
• Engenharia de Atributos (Feature Engineering): Os autores foram além das variáveis brutas para um conjunto rico de atributos engenheirados.
  • Atributos Dinâmicos: Incluíram o estado atual dos sintomas, valores defasados (lagged values: 1, 2, 3, 7 entradas), resumos móveis (médias, desvios padrão) e desvios de linhas de base personalizadas (calculadas a partir de entradas historicamente estáveis).
  • Histórico de Exacerbação: Atributos capturaram a recência e a frequência de eventos anteriores (ex: contagens ao longo de 28/90 entradas, tempo desde o último evento).
  • Clínico e Engajamento: Incluíram escores do Teste de Avaliação da DPOC (CAT), uso de medicamentos, carga de reabilitação pulmonar e métricas de engajamento no aplicativo.
  • Dados de Wearables: No subgrupo, os atributos de contagem de passos foram engenheirados de forma semelhante aos dados do aplicativo, incluindo valores defasados, estatísticas móveis e desvios de uma linha de base pessoal de passos.
• Estratégia de Modelagem: Classificadores de gradient boosting XGBoost foram treinados usando validação cruzada aninhada agrupada (grouped nested cross-validation) para garantir a separação em nível de paciente entre os conjuntos de treinamento e teste (evitando vazamento de dados/data leakage).
  • Coorte Primária: Treinada em 547.465 entradas rotuladas.
  • Estudo de Ablação: No subgrupo de wearables, dois modelos idênticos foram comparados: um apenas com atributos derivados do aplicativo e outro com atributos do aplicativo mais atributos de contagem de passos.
• Avaliação: O desempenho foi avaliado por meio de PR-AUC (Área sob a Curva Precisão-Recall), ROC-AUC, precisão e recall. Os limiares foram otimizados para maximizar o F1-score dentro das dobras de treinamento para equilibrar sensibilidade e valor preditivo positivo em um cenário de baixa prevalência (4,8% de classe positiva).

Principais Resultados

• Desempenho do Modelo Primário: Na coorte principal, o modelo alcançou uma PR-AUC média de 0,284 e uma ROC-AUC média de 0,834. No limiar otimizado, o modelo alcançou uma precisão média de 29,8% e um recall de 41,2%. Isso representa uma melhoria significativa na precisão em comparação com esforços anteriores de modelagem do myCOPD (aprox. 7% de precisão) sob um framework de validação mais rigoroso.
• Horizontes Preditivos: Alertas positivos foram seguidos por uma exacerbação autorrelatada em quase 30% dos casos. O tempo mediano do alerta positivo até a primeira entrada de exacerbação foi de 5 dias, com 39,5% ocorrendo dentro de 3 dias e 56,0% dentro de 7 dias.
• Importância dos Atributos: Os preditores mais fortes foram as variáveis derivadas de sintomas (estado atual, variabilidade e valores defasados) e o histórico de exacerbação recente. Atributos derivados do CAT e padrões de engajamento contribuíram significativamente, enquanto características clínicas estáticas (ex: idade, histórico de tabagismo) foram menos influentes.
• Ablação de Wearables: No subgrupo de wearables, a adição de atributos de contagem de passos não melhorou materialmente o desempenho. O modelo apenas com o aplicativo e o modelo com aplicativo mais passos produziram resultados quase idênticos (ex: PR-AUC 0,162 vs. 0,163; Precisão 0,214 vs. 0,214). A análise de trajetória descritiva confirmou que os desvios na contagem de passos mostraram diferenças apenas modestas e inconsistentes antes das exacerbações, comparadas à separação mais clara observada nas trajetórias de CAT e sintomas.

Significância e Alegações
Os autores afirmam que este estudo demonstra a viabilidade de escalar a predição de exacerbações utilizando dados de autogestão digital coletados rotineiramente. A contribuição primária é a validação de que as representações de trajetórias de sintomas e estado de saúde engenheiradas por atributos melhoram significativamente a precisão da predição em comparação com conjuntos de dados brutos ou limitados, mesmo sob validação rigorosa por nível de paciente.

O estudo conclui que sinais de sintomas autorrelatados capturados através de plataformas digitais fornecem alertas precoces úteis de exacerbações iminentes. Em contrapartida, os autores afirmam que a contagem de passos via dispositivos de pulso, conforme capturada neste coorte e contexto específico, oferece valor incremental limitado além dos ricos dados de sintomas e CAT. Os achados sugerem que, para esta tarefa de predição específica, o "sinal" de uma exacerbação iminente está contido mais fortemente no ônus dos sintomas relatados pelo paciente e em seu histórico do que em seus níveis de atividade física. Os autores enfatizam que o modelo funciona como um sistema de alerta precoce de curto prazo acionado pelo engajamento do usuário, em vez de um preditor de calendário de dias fixos, e que a utilidade futura depende da tradução desses sinais preditivos em intervenções clínicas ou de autogestão acionáveis.