Prontuários hospitalares viram motor de previsão que simula cuidados futuros e testa escolhas terapêuticas

A estrutura da internação: eventos, intervalos e previsões em camadas

Uma internação hospitalar não é um bloco único e contínuo. Trata-se de um fluxo de pequenos eventos clínicos. A medição da pressão arterial, o resultado do laboratório, a solicitação de raio-X e a nota de alta tornam-se itens distintos. Cada item possui várias camadas: a primeira identifica a categoria geral do evento, a seguinte acrescenta detalhes específicos e, em seguida, o modelo define qual modalidade ou valor corresponde a esse detalhe. O tempo não é estimado camada por camada, mas deriva de um estado oculto.

As camadas são construídas sequencialmente, de modo que as escolhas posteriores consideram as anteriores. Isso garante a compatibilidade das previsões: um resultado laboratorial nunca será associado a um tipo de imagem impossível. No momento da previsão, o sistema bloqueia combinações inéditas para aquele tipo de evento. Os números são codificados em um formato compacto e ondulado, permitindo que o modelo gere novos valores no mesmo código. Esses eventos gerados podem então ser reinseridos como entrada.

O intervalo entre os eventos também é tratado por meio de duas perguntas. Como muitos registros compartilham o mesmo carimbo de data e hora, uma parte do modelo verifica se existe algum intervalo. A outra prevê sua duração, mas apenas quando um intervalo real ocorre. Se nenhum intervalo for previsto, a resposta é fixada em zero, evitando assim confundir “nenhum tempo passou” com “um intervalo mínimo”.

O treinamento visa reconstruir todas as partes de um evento. O modelo também compara duas versões da mesma previsão: uma que enxerga apenas eventos passados e outra que pode acessar o evento atual. No início do treinamento, essa comparação é fraca. Depois, torna-se mais intensa. Esse mecanismo força o estado oculto a carregar informação real sobre o que vem a seguir.

Uma segunda verificação utiliza exclusivamente o estado oculto baseado no passado para tentar reconstruir o evento real apenas a partir dele. Isso impede dois vícios: copiar o que já é visível fingindo certeza ou esconder-se atrás de suposições vagas e com alta incerteza.

A documentação hospitalar não se distribui uniformemente. Os eventos são mais densos perto da admissão, afinam no meio e voltam a aumentar antes da alta. A variedade de tipos de evento também atinge o pico na admissão. No final da internação, os cuidados tornam-se mais rotineiros e os intervalos medianos entre diferentes eventos alongam-se: podem durar minutos no início, alcançando dezenas de minutos antes de se estabilizar.

Previsão de eventos clínicos futuros: com ou sem o cronograma real

Prever o futuro hospitalar exige acertar duas coisas: o que acontece em seguida e quando isso ocorre. O modelo pode ser testado com ou sem acesso ao cronograma real. Na previsão livre, ele escolhe tanto o tipo de evento quanto o momento exato. Na previsão controlada por tempo, o horário do próximo evento é fixado por uma agenda externa. Essa distinção revela quanta precisão vem do conteúdo e quanta do timing.

O teste começa 24 horas após a admissão mais recente do paciente. Em seguida, gera eventos futuros até consumir um número fixo de tokens de saída. O desempenho é avaliado em janelas de uma, duas, quatro, seis, doze, vinte e quatro, quarenta e oito e setenta e duas horas. Duas linhas de base estabelecem o piso comparativo. Uma representa o nível de chance baseado na prevalência: ela apenas adivinha o que é comum nos dados. A outra assume recorrência, supondo que um tipo de evento ou modalidade voltará se tiver aparecido na mesma janela anterior.

O AUROC mede quão bem o modelo separa eventos prováveis dos improváveis. Uma pontuação de 0,5 corresponderia a uma classificação aleatória. Valores próximos de 1 indicam forte separação. A pontuação de Brier mede o quanto as probabilidades previstas se aproximam dos resultados observados. Na previsão livre, os valores de AUROC macroscópico ficam entre cerca de 0,75 e 0,83 para tipos de eventos. Para modalidades, a faixa é de cerca de 0,76 a 0,82. Esses números abrangem horizontes que vão de uma hora a setenta e duas horas. Como o AUROC macroscópico trata cada tipo de evento com igual peso, os raros importam tanto quanto os comuns. As pontuações de Brier são geralmente muito melhores do que as da linha de base de persistência, que se deteriora bastante em horizontes mais longos.

Quando o modelo recebe o cronograma verdadeiro, a discriminação melhora principalmente nos horizontes curtos. Em uma hora, o AUROC para tipos de eventos atinge cerca de 0,87 e o das modalidades chega a cerca de 0,95. Até as setenta e duas horas, essa vantagem diminui. Ainda assim, a previsão livre mantém uma calibração ligeiramente melhor para as contagens de tipos de eventos, mesmo com AUROC inferior. Calibração significa que as probabilidades previstas correspondem às taxas observadas na prática.

Num horizonte fixo de vinte e quatro horas, o teste cobre 13.551 pacientes. O AUROC da previsão livre permanece estável entre os grupos definidos pela duração da internação: cerca de 0,83 para estadias curtas e cerca de 0,84 para as mais longas. A pontuação de Brier sobe apenas modestamente, de cerca de 0,084 a 0,110. O cronograma verdadeiro melhora a discriminação nesse ponto: o AUROC controlado por tempo fica entre 0,86 e 0,87 em todos os grupos, contra cerca de 0,83 da previsão livre. Porém, nas internações mais curtas, a previsão livre apresenta uma pontuação de Brier melhor (cerca de 0,084), comparada com cerca de 0,096 sob timing fixo. Nas estadias mais longas, a previsão controlada por tempo tem pontuações de Brier ligeiramente melhores.

Alguns eventos são mais fáceis de prever que outros. A saída do pronto-socorro obtém um AUROC de previsão livre de cerca de 0,98 em vinte e quatro horas. A alta da UTI fica logo atrás, com cerca de 0,97. Eventos de saída corporal atingem cerca de 0,96, enquanto os rotineiros de sinais vitais ou entradas alcançam cerca de 0,93. São previsíveis porque seguem padrões regulares de cuidado. As categorias de documentação e administrativas são mais difíceis: relatórios de radiologia ficam perto de 0,69, mudanças de serviço perto de 0,70, transferências perto de 0,70, diagnósticos perto de 0,71 e resumos de alta perto de 0,72. Contar exames laboratoriais com precisão também é difícil. O erro absoluto médio é de cerca de 13 eventos por paciente na janela. No entanto, prever se algum exame laboratorial ocorre ou não tem um AUROC de cerca de 0,77.

A linha de base de persistência permanece fraca. Seu AUROC para tipos de eventos varia entre 0,58 e 0,63, e o das modalidades entre 0,57 e 0,66. Suas pontuações de Brier pioram à medida que o horizonte se alonga. Isso significa que simplesmente repetir o que aconteceu antes fornece pouco sinal útil. O valor do modelo reside em aprender como tipos de eventos, modalidades e timing interagem ao longo do tempo.

Simulação da escolha alternativa de fluidos na sepse em uma coorte virtual de pacientes

O tratamento da sepse costuma começar com fluidos intravenosos. Soro fisiológico e cristaloide balanceado, como o lactato de Ringer, são opções comuns. Um teste em coorte virtual investigou o que aconteceria se cada paciente recebesse o fluido alternativo. A análise utilizou 1.085 episódios elegíveis de um conjunto reservado.

Para cada episódio, geraram-se dois cenários futuros. Um manteve o fluido realmente administrado. O outro substituiu-o pelo alternativo. O ruído aleatório e a cronologia permaneceram idênticos em ambos os casos. As administrações posteriores de cristaloide foram forçadas a corresponder ao braço designado, isolando assim a escolha do fluido da derivação posterior no tratamento.

Os futuros simulados acompanharam três desfechos ao longo de 30 dias: morte hospitalar, tempo de internação e um desfecho renal chamado MAKE-30. Este último combina diálise nova, morte ou disfunção renal persistente. O lactato de Ringer apresentou resultados melhores que o soro fisiológico em todas as principais medidas.

Entre as execuções com desfechos definidos, a mortalidade hospitalar em 30 dias foi de cerca de 44,9% sob Ringer e 49,2% sob soro fisiológico. Essa diferença foi de aproximadamente 4,3 pontos percentuais. Nas simulações que terminaram explicitamente em um desfecho, a lacuna na mortalidade ampliou-se para cerca de 8,9 pontos percentuais.

O tempo de internação também foi menor sob Ringer: cerca de 135,7 horas contra 174,3 horas. A diferença foi de aproximadamente 40,5 horas. Essa direção coincide com o subgrupo de sepse do ensaio SMART. Nessa comparação do mundo real, o cristaloide balanceado esteve associado a menor mortalidade que o soro fisiológico.

No entanto, as taxas absolutas de morte simuladas são muito maiores que as taxas clínicas observadas. Por isso, os números precisam de calibração antes de poderem ser interpretados como riscos reais. As próprias previsões de mortalidade do modelo estavam mal calibradas nesta coorte. O risco previsto variou de cerca de 3% a 96%, enquanto o risco observado na maioria dos decis permaneceu entre cerca de 10% e 46%. O erro esperado de calibração geral foi de aproximadamente 27,7 pontos percentuais.

As maiores discrepâncias apareceram nos grupos de risco médio a alto. Um decil teve mortalidade prevista de cerca de 52%, contra uma taxa observada de cerca de 16%. Outro apresentou previsão de cerca de 84%, frente a uma taxa observada de cerca de 26%. Apenas algumas simulações alcançaram um desfecho final dentro de 30 dias. Cerca de 68,5% o fizeram no braço correspondente e com soro fisiológico, enquanto cerca de 71,8% o fizeram sob lactato de Ringer. O restante esgotou o orçamento de simulação antes da morte, alta hospitalar ou um desfecho renal.

O composto renal foi impulsionado principalmente pela morte nas simulações. O MAKE-30 observado foi de cerca de 27%, com a morte representando a maior parte desse total. As taxas simuladas foram muito maiores: cerca de 75% sob soro fisiológico e cerca de 66% sob Ringer. A diferença entre os braços foi quase inteiramente um efeito de mortalidade. Os componentes renais mudaram apenas cerca de 0,1 a 0,2 pontos percentuais.

Isso importa porque o teste não visa apenas ranquear fluidos. Ele verifica se um modelo de paciente virtual consegue reproduzir uma direção clínica conhecida enquanto expõe suas próprias limitações. A comparação dos fluidos apontou para o cristaloide balanceado, assim como nos dados reais de sepse. Contudo, as taxas infladas de morte e a calibração fraca mostram que os desfechos simulados ainda não estão prontos para uso clínico direto.

Gravidade da doença e risco de mortalidade: como ler tudo isso em um único resumo do paciente

Um único instantâneo codificado do prontuário hospitalar pode ser interpretado de duas maneiras. Uma leitura o converte em uma pontuação de gravidade da doença. A outra avalia o risco de morte iminente após aquele ponto. Ambas utilizam o mesmo resumo compacto, dispensando gráficos brutos separados. Essa abordagem é relevante porque os clínicos frequentemente necessitam de uma noção rápida sobre a intensidade do quadro clínico e se a trajetória do paciente é perigosa.

A leitura da gravidade gera uma pontuação contínua estilo NEWS2, variando de 0 a 20. Ela acompanha as mudanças em cada janela de uma hora. O erro médio foi de cerca de 1,34 pontos por hora. Esse resultado supera amplamente a estimativa pela média ou mediana das pontuações, que gerava erros de aproximadamente 2,8 a 3,0 pontos. Utilizar apenas a idade também produziu um erro próximo de 2,8 pontos. Uma leitura linear mais simples sobre o mesmo resumo teve desempenho ligeiramente inferior, com erro médio de cerca de 1,51 pontos. A leitura neural foi superior na separação das janelas de alto risco, alcançando AUROC de aproximadamente 0,91, contra 0,89 do modelo linear.

A pontuação acompanha bem as variações individuais dentro de cada paciente. Sua correlação com as pontuações reais de uma hora atingiu cerca de 0,86. Um modelo baseado apenas na idade alcançou somente cerca de 0,22. Isso indica que o sistema consegue distinguir quando um paciente está piorando ou melhorando, e não apenas qual é sua gravidade média. As três faixas padrão de risco não apresentaram a mesma facilidade de identificação. Janelas de baixo risco, com pontuações de 0 a 4, foram identificadas com alta precisão e sensibilidade, cerca de 89% e 85%, respectivamente. Janelas de risco médio, com pontuações de 5 a 6, foram muito mais difíceis, com apenas cerca de 39% de precisão e 41% de sensibilidade. Janelas de alto risco, com pontuação 7 ou superior, foram identificadas com razoável acerto, apresentando cerca de 69% de precisão e 72% de sensibilidade.

A leitura também apresenta uma fraqueza previsível: comprime os extremos. Para pontuações reais leves, tende a prever valores ligeiramente altos demais. Para pontuações reais graves, prevê valores baixos demais. A subestimação aumenta conforme a gravidade sobe, chegando a vários pontos quando a pontuação real é 10 ou superior. Os maiores erros ocorrem em janelas raras com pontuações muito altas.

O risco de sobrevivência foi extraído do mesmo tipo de resumo utilizando um modelo de tempo até evento chamado DeepSurv. Seus hiperparâmetros foram ajustados dentro de faixas padrão, em vez de fixados arbitrariamente. Conforme mais da internação ficava visível, a discriminação melhorou. Na admissão, o índice C era de cerca de 0,76. Perto do fim da internação, subiu para cerca de 0,85. A pontuação Brier integrada permaneceu baixa, em torno de 0,021 a 0,024. Os testes de calibração não indicaram miscalibração significativa. Todos os valores-p relatados ficaram acima de 0,05 nas cinco dobras.

O que determina a imprevisibilidade e a precisão das previsões em cada evento clínico

Um evento clínico vai além de um simples rótulo. Ele carrega várias camadas de informação. O tipo geral identifica a natureza do registro: um resultado laboratorial, um eletrocardiograma ou uma nota de alta são categorias distintas. Detalhes mais específicos apontam qual exame foi solicitado ou qual diagnóstico foi registrado. Valores numéricos e imagens fornecem o conteúdo medido, enquanto a cronologia marca quando o evento ocorreu durante a internação.

A previsão depende dessas peças de maneira desigual. A cronologia costuma ser a pista mais forte para o que vem a seguir: um intervalo curto após a admissão frequentemente indica verificações rotineiras, ao passo que um longo período sem registros pode sugerir uma mudança no cuidado. O texto clínico específico ou os detalhes da categoria costumam ter a segunda maior importância. Os valores numéricos e de imagem ganham relevância quando o tipo geral é muito genérico. Um resultado laboratorial, sozinho, não diz muito sem seu número. Uma curva de eletrocardiograma importa porque a forma de onda carrega informações sobre o ritmo, e um resumo de alta pode ser difícil de prever, a menos que seu texto seja conhecido.

A surpresa segue o mesmo padrão. As medições rotineiras são fáceis para o modelo esperar. Sinais vitais e exames laboratoriais ficam perto de zero surpresa, em torno de 0,02 a 0,03 na escala latente. Os eventos de imagem são muito menos previsíveis: a mediana da surpresa é de cerca de 38 para eletrocardiogramas e 37 para radiografias. Os ecocardiogramas também são difíceis, com uma mediana de surpresa de cerca de 22,5. A morte é um caso especial. Sua mediana de surpresa é baixa, cerca de 0,96, mas a cauda superior é grande: o percentil 95 atinge cerca de 21,5 e a média sobe para cerca de 4,24. Em termos simples, a morte não costuma ser o tipo de evento mais surpreendente. Porém, quando ocorre, o contexto anterior pode torná-la difícil de antecipar.

Um paciente virtual capaz de ensaiar, mas ainda não confiável

O prontuário hospitalar não é um acervo de fatos isolados. É um ritmo. Um modelo aprendeu esse ritmo com precisão suficiente para executar várias tarefas complexas simultaneamente. Ele antecipa o próximo evento, estima a gravidade do quadro clínico e infere o risco de sobrevida à medida que a internação avança. Pode até substituir uma terapia e reprocessar o futuro.

Esse é o panorama geral. O valor não reside em mais um indicador no painel. Está na criação de um paciente virtual cujo histórico pode ser explorado antes da tomada de decisões reais. Os clínicos poderiam perguntar o que aconteceria se a conduta mudasse precocemente, comparar opções de fluidos, monitorar a evolução da gravidade ou verificar se um evento raro era previsível pelo contexto. Isso transforma a previsão em ensaio.

Os obstáculos são igualmente importantes. As estimativas de mortalidade do modelo estavam mal calibradas no teste de fluidos para sepse. Alguns riscos previstos ficaram muito acima das taxas observadas. Os desfechos renais simulados dependiam fortemente da morte, e não da insuficiência renal. Muitas simulações esgotaram os tokens antes de alcançar um ponto final claro. As janelas de gravidade com risco médio foram difíceis de separar. Imagens raras e formas de onda aparecem muito menos frequentemente do que notas e valores laboratoriais.

Esses limites não são observações secundárias. Eles definem o que pode ser confiável. Uma previsão correta na direção, mas mal calibrada, pode induzir a erro. Um paciente virtual que não consegue concluir uma simulação de 30 dias pode perder o desfecho mais importante. O desequilíbrio dos dados significa que o modelo conhece melhor os cuidados rotineiros do que os incomuns. A cronologia, as lacunas na documentação e a raridade dos eventos deixam marcas no desempenho.

O futuro exigirá mais do que modelos maiores. Será necessária uma calibração em que os clínicos possam confiar, simulações mais longas com pontos finais estáveis, dados de imagem mais ricos e sinais de incerteza mais claros. A validação prospectiva testará se o ensaio virtual corresponde à vida real do hospital. Se corresponder, o modelo poderá se tornar uma ferramenta discreta para planejamento, não apenas para pontuação.

A questão mais profunda não é se as máquinas podem prever hospitais. Elas já fazem isso em fragmentos. A pergunta mais difícil é se elas podem aprender o suficiente para tornar a incerteza útil.