Avançando o Cuidado ao Paciente com Modelos Baseados em Grafos

Centros de saúde controlam as informações de saúde dos pacientes usando sistemas digitais chamados Prontuários Eletrônicos de Saúde (PES). Esses prontuários incluem várias informações, como dados demográficos dos pacientes, prescrições, diagnósticos, resultados de exames e planos de tratamento. O formato estruturado do PES organiza os dados de um jeito que facilita a análise.

Por exemplo, os dados estruturados do PES podem incluir códigos médicos, medicamentos, sinais vitais e resultados laboratoriais. Com o avanço da tecnologia digital, usar os dados do PES para criar modelos avançados que preveem Eventos Clínicos tá ficando mais comum. Mas tem uns desafios quando tentam aplicar modelos treinados com dados de uma instituição em outra que tem populações de pacientes diferentes.

#Desafios no Uso de Dados do PES entre Instituições

Quando modelos de saúde são treinados com dados de uma única instituição, eles geralmente têm dificuldade em se sair bem em outros lugares. Isso porque as características dos pacientes, como idade, gênero e condições de saúde, podem variar bastante de um lugar para outro. Além disso, cada instituição pode ter jeitos diferentes de registrar e codificar os dados, o que pode impactar o desempenho dos modelos.

Por exemplo, os modelos podem aprender os padrões específicos das práticas de uma instituição em vez de focar nas características que realmente preveem os resultados de saúde. Alguns estudos até mostraram que o timing e a frequência de exames laboratoriais importam mais do que os resultados dos próprios testes. Isso levanta questões sobre quão eficazes são os modelos de aprendizado de máquina para prever eventos clínicos.

#A Necessidade de Melhores Modelos de Previsão

Apesar dos avanços em aprendizado de máquina, muitos modelos têm um desempenho ruim quando testados com dados de fora da instituição onde foram desenvolvidos. Pesquisas indicaram que alguns modelos, mesmo bem treinados, não conseguiram superar previsões simples baseadas em uma única medição, como os níveis de oxigênio na admissão hospitalar.

Um exemplo é um modelo específico usado para avaliar o risco de sepse, que mostrou desempenho inadequado quando validado com dados de outras instituições. Além disso, até modelos usados na mesma instituição podem perder precisão com o tempo à medida que as populações de pacientes e as práticas mudam.

Diante dessas limitações, os pesquisadores buscam melhores maneiras de tornar os modelos baseados em PES mais generalizáveis e eficazes em diversos ambientes de saúde.

#Abordagens Atuais e Suas Limitações

Atualmente, os pesquisadores geralmente refinam as características clínicas para padronizar as previsões de risco. Isso envolve eliminar variações causadas por como diferentes instituições de saúde registram os dados. Porém, esse processo é trabalhoso e pode levar a erros. Ele limita o tamanho do conjunto de dados e pode deixar de fora outras características importantes que poderiam melhorar o desempenho do modelo.

Outra abordagem envolve harmonizar os dados do PES usando modelos padrão, mas esses modelos têm limitações em como podem se adaptar a diferentes conjuntos de dados.

Esses desafios mostram a necessidade de melhores frameworks que possam se adaptar a diferentes populações de pacientes e práticas de saúde sem exigir um retrabalho extenso do modelo de treinamento.

#Introduzindo Redes Neurais Convolucionais Baseadas em Gráficos (GCNN)

Para enfrentar os desafios de generalização e adaptabilidade nos modelos de saúde, uma nova solução envolve o uso de redes neurais convolucionais baseadas em gráficos (GCNN). As GCNNs permitem que os pesquisadores integrem diferentes tipos de dados-como imagens e informações dos pacientes-em uma rede estruturada como um gráfico, onde cada paciente é representado como um nó e suas relações (similaridades) com outros são representadas como arestas.

O design inovador das GCNN permite flexibilidade na definição de como as similaridades entre pacientes são estabelecidas. Focando em similaridades baseadas nos dados do PES, as GCNNs podem aprender com as relações entre os pacientes, ajudando a tornar as previsões mais robustas.

#Como a GCNN Funciona

Em uma GCNN, cada paciente é um nó com características específicas, enquanto as arestas conectam nós similares com base em critérios escolhidos. O modelo processa tanto as características do nó quanto as informações que conectam os nós para obter insights. Esse processamento duplo permite que a GCNN aprenda com os dados dos pacientes enquanto aproveita as conexões entre eles.

A estrutura das arestas no gráfico é adaptável, ou seja, pode se ajustar com base em características específicas dos dados de diferentes instituições sem precisar re-treinar o modelo em si. Essa adaptabilidade é crítica, especialmente ao transitar dos dados de uma instituição para outra.

#Aplicações Clínicas da GCNN

A adaptabilidade e robustez das GCNNs podem ser testadas em vários cenários clínicos. Por exemplo, uma aplicação investiga a previsão de eventos clínicos importantes, como alta hospitalar ou taxas de mortalidade de pacientes internados com COVID-19. Outra aplicação avalia a necessidade de transfusões de sangue em pacientes hospitalizados.

Nesses casos, os dados de uma instituição podem ser usados para treinar o modelo, enquanto as previsões podem ser validadas com dados de outras instituições, garantindo maior aplicabilidade e eficácia.

#Estudo de Caso 1: Previsões de Pacientes com COVID-19

No primeiro caso, os pesquisadores examinaram pacientes que testaram positivo para COVID-19 e foram internados. Os dados internos incluíam pacientes de uma rede de saúde, enquanto os dados externos vieram de vários outros locais. O modelo tinha como objetivo prever dois resultados principais: se os pacientes seriam liberados ou enfrentariam mortalidade.

Os resultados mostraram que as GCNNs superaram significativamente os modelos tradicionais quando testados com conjuntos de dados externos. A adaptabilidade das funções de formação de arestas-onde o modelo ajusta sua compreensão das conexões entre pacientes-foi um fator chave nesse sucesso.

#Estudo de Caso 2: Previsões de Transfusão de Sangue

O segundo caso focou na previsão das necessidades de transfusão de sangue entre pacientes hospitalizados. O treinamento foi feito usando dados internos de dois locais de saúde, enquanto a validação externa incluiu dados de diferentes sistemas de saúde.

Os modelos alcançaram resultados impressionantes ao combinar múltiplos tipos de dados, como resultados de exames, sinais vitais e dados demográficos dos pacientes. A natureza flexível da GCNN permitiu que ela lidasse com variações nos dados entre diferentes hospitais, levando a uma melhor precisão nas previsões.

#Vantagens de Usar GCNN

O framework GCNN vem com várias vantagens. Primeiro, não requer re-treinamento ao mudar de conjuntos de dados internos para externos. Essa característica economiza tempo e recursos. Segundo, o modelo é projetado para refletir as similaridades dos pacientes como elas realmente aconteceriam em decisões clínicas. Isso significa que está mais alinhado com a forma como os profissionais de saúde realmente trabalham.

Além disso, a capacidade de incorporar dados multimodais-como imagens e várias formas de PES-faz dele uma solução versátil para ambientes clínicos complexos.

#Limitações e Direções Futuras

Apesar de suas vantagens, o estudo tem algumas limitações, incluindo dependência de dados retroativos e falta de timestamps para certos códigos em conjuntos de dados externos. Esses fatores podem afetar as avaliações gerais de desempenho.

Olhando para o futuro, a pesquisa deve continuar a refinar a abordagem GCNN, explorar seu potencial em cenários de saúde mais diversos e abordar quaisquer limitações restantes para aprimorar ainda mais suas capacidades preditivas.

#Conclusão

As GCNNs apresentam uma forma promissora de superar os desafios enfrentados no uso de prontuários eletrônicos de saúde para modelagem preditiva na saúde. Ao permitir flexibilidade em como as relações de dados são definidas, esses modelos oferecem melhores capacidades de generalização quando aplicados a diversas populações de pacientes. A capacidade de integrar vários tipos de dados enquanto permanece adaptável destaca as GCNNs como uma ferramenta importante para futuras aplicações clínicas.