Prescrição de rotina pode indicar proteção contra o Alzheimer

Como o transformer interpreta a hierarquia dos códigos médicos

Códigos médicos não são sequências planas de caracteres. Um código de diagnóstico para uma doença pancreática se encaixa em categorias endócrinas mais amplas, e um código de prescrição indica a classe do medicamento antes de especificar a molécula. Embora um transformer genérico consiga ler a sequência de códigos, ele frequentemente trata cada um como um item indiferenciado, o que apaga a hierarquia interna de significado. O design de pré-treino com consciência da hierarquia atribui cinco subtokens a cada código, correspondendo a cada nível dessa estrutura. Cada subtoken recebe seu próprio embedding vetorial, e um pequeno codificador transformer permite que esses cinco vetores troquem informações antes de serem somados em uma única representação para o código inteiro.

No caso dos diagnósticos, o sexo é incorporado como um token médico, enquanto a idade é convertida em vetor por uma camada linear. Ambos são adicionados à representação do diagnóstico. Procedimentos e prescrições são unidos em vetores de tratamento e processados separadamente das sequências de diagnóstico. Um bloco de atenção cruzada bidirecional compara diagnósticos com tratamentos nas duas direções. Essa etapa permite que o modelo aprenda quais terapias tendem a seguir quais condições, em vez de assumir que cada código é apenas mais um símbolo em uma lista.

A tarefa de treinamento também respeita a hierarquia. Quinze por cento dos tokens são escolhidos como alvos e divididos em seus cinco subtokens. Na maioria dos casos (80%), o primeiro subtoken, do nível superior, permanece visível, enquanto os quatro inferiores ficam ocultos. Dez por cento recebem mascaramento total e dez por cento permanecem inalterados. O modelo é treinado para prever apenas o terceiro subtoken, um nível intermediário do código. Isso torna a tarefa menos frágil do que tentar adivinhar o código mais específico, pois muitos códigos de granulação fina compartilham a mesma categoria ampla.

Nos testes de pré-treino para prever esse token de diagnóstico de nível intermediário, o design completo alcançou uma precisão de 0,5867 e um coeficiente de correlação de Matthews de 0,5797. Uma versão com agregação hierárquica de subtokens, mas sem mascaramento parcial, caiu para uma precisão de 0,3913, enquanto uma ablação de autoatenção usando ambos os métodos alcançou 0,5804. A diferença mostra que a divisão com consciência da hierarquia ajuda e que a referência cruzada entre diagnóstico e tratamento adiciona um ganho pequeno, porém consistente.

O que as representações aprendidas revelam sobre a demência e a internação hospitalar

Um ano de registros de seguros japoneses foi transformado em uma representação compacta da saúde de cada pessoa, e essa representação serviu para prever dois eventos: o primeiro diagnóstico de demência, definido por códigos de Alzheimer e demências relacionadas, e a internação hospitalar durante o período de acompanhamento. O modelo não analisou notas médicas brutas nem imagens. Ele operou com base nos diagnósticos codificados, procedimentos, prescrições, sexo e idade registrados nas faturas.

Para cada mês, o sistema gerou um vetor de diagnóstico e um vetor de tratamento. Esses dois resumos mensais foram combinados em uma única instantânea clínica. As doze instantâneas formaram uma sequência curta que capturou a evolução do cuidado ao longo do ano. Uma camada final converteu esse resumo anual em probabilidades para o início da demência e para a internação hospitalar.

A tarefa de previsão foi validada com indivíduos distintos, que não haviam sido utilizados na construção da representação. Dez por cento dos pacientes foram reservados como grupo de teste, enquanto os demais foram divididos em nove dobras, garantindo que cada paciente fosse testado uma vez. As métricas de desempenho apresentadas são médias entre essas dobras. Os participantes eram predominantemente adultos mais velhos, com idade média próxima a 73 ou 74 anos e cerca de nove meses de registros de seguros durante o ano.

No caso da demência, o modelo mais forte alcançou um ROC-AUC de 0,8164 e um MCC de 0,2577. Seu PR-AUC foi de 0,2204. Uma versão simplificada da mesma arquitetura, sem as duas técnicas de treinamento sensíveis à codificação, obteve um PR-AUC de 0,1949. Essa diferença corresponde a uma melhoria relativa de cerca de 13 por cento na área sob a curva de precisão-recall. A demência era rara na amostra final, com incidência de 6,2 por cento. Em cenários assim, o ROC-AUC pode parecer encorajador, mesmo que muitos casos fiquem sem detecção. A área de precisão-recall oferece uma visão mais rigorosa porque foca em quão bem o modelo classifica os casos reais de demência acima dos não casos.

A internação hospitalar era muito mais comum na amostra de avaliação, com incidência de 31,6 por cento. A mesma representação anual produziu uma probabilidade de internação para cada paciente. Como as internações eram frequentes, um preditor útil precisava distinguir quem seria internado de quem não seria, sem simplesmente sinalizar a maioria dos pacientes.

Da prescrição de rotina às pistas priorizadas sobre proteção contra o Alzheimer

Prontuários médicos rotineiros estão repletos de sinais sutis que raramente chegam ao conhecimento do clínico. Uma prescrição para hipertensão, uma visita ao laboratório e um código de diagnóstico registrado em um dia comum podem compor um padrão quando milhões dessas anotações são comparadas. A abordagem de triagem utiliza dados de faturamento japonês e informações de seguradoras governamentais locais para converter essas entradas rotineiras em pistas ranqueadas sobre possível proteção contra o Alzheimer. O método não afirma que qualquer medicamento cotidiano previna a doença. Em vez disso, investiga se certos padrões de prescrição aparecem com menor frequência entre pessoas que depois desenvolvem a condição.

A triagem de reposicionamento partiu de uma amostra aleatória de 100.000 pessoas extraída de um grupo maior usado no pré-treino. Após a aplicação das regras de elegibilidade, restaram 80.308 indivíduos. Nenhum deles tinha demência ou doença de Alzheimer entre janeiro de 2017 e dezembro de 2018, e todos mantinham inscrição contínua no seguro pelo período exigido. Nos conjuntos amostrais finais, o início da doença de Alzheimer ocorreu em cerca de 2,8% das pessoas, uma taxa baixa o suficiente para que uma associação fraca seja facilmente confundida com ruído. Por isso, o fluxo de trabalho aplica controle estatístico para falsas descobertas antes de considerar qualquer vínculo entre medicamento e doença digno de atenção adicional.

O truque prático consiste em manter a pergunta honesta ao ranquear os candidatos. Se o modelo simplesmente observa que uma pessoa tomou um certo medicamento, ele pode aprender quem foi tratado, em vez de identificar qual tratamento poderia estar associado a menor risco. Para reduzir esse atalho, os tokens de prescrição do medicamento-alvo e de medicamentos relacionados são removidos quando os vetores de diagnóstico são usados para priorização. O resultado é uma lista curta de hipóteses de associação protetora que passaram pela triagem. São pistas para testar, não fatos estabelecidos sobre a proteção contra o Alzheimer.

Por que a triagem observacional precisa de validação separada

Uma triagem baseada em prontuários de rotina é útil porque converte milhões de atendimentos comuns em uma lista curta de hipóteses que merecem investigação mais aprofundada. Os dados de faturamento utilizados aqui provêm de seguradoras japonesas e abrangem vários milhões de pessoas, o que garante que os padrões identificados não derivam de uma clínica pequena ou de um único hospital. Ainda assim, o resultado dessa triagem é um sinal, não uma sentença. Ele indica apenas que determinado medicamento aparece com mais frequência entre as pessoas que não desenvolveram demência no período observado. Não afirma que a substância causou a redução do risco.

Essa distinção é crucial porque os registros de rotina misturam tratamento e doença. Um paciente que recebe muitas prescrições pode estar mais doente, ser mais velho ou estar sob monitoramento mais rigoroso do que alguém com poucas receitas. A mesma pessoa também pode ter melhor acesso ao cuidado, seguir regras de seguro diferentes ou estar sujeita a hábitos médicos que influenciam o que é anotado no prontuário. Se esses fatores não forem totalmente medidos, uma associação pode parecer protetora mesmo quando o medicamento não tem nenhum efeito. Por isso, o fluxo de trabalho trata seus resultados como hipóteses para priorização, e não como evidência de benefício causal.

Os controles estatísticos ajudam a reduzir a lista, mas não eliminam esse problema. Após o controle da taxa de descoberta falsa, alguns vínculos candidatos que exibiam associações protetoras passaram pela triagem, embora nenhum medicamento ou doença específico seja nomeado nessa parte do achado. O pareamento por escore de propensão pode equilibrar as diferenças medidas entre pessoas tratadas e não tratadas. Para dois indicadores de gravidade, a maioria das diferenças médias padronizadas foi pequena após o pareamento, muitas vezes abaixo de 0,1. Esse é um bom sinal, mas cobre apenas o que foi registrado. Hábitos não medidos, histórico familiar, dieta, apoio social ou escolhas de codificação permanecem ocultos nos números.

Uma etapa separada de validação é, portanto, necessária antes que qualquer significado clínico possa ser atribuído a um vínculo sinalizado. Um conjunto de dados independente pode testar se o mesmo padrão aparece fora da amostra original. Um ensaio randomizado pode colocar pacientes em grupos com e sem tratamento, o que bloqueia muitos dos fatores de confusão que os dados observacionais não conseguem controlar totalmente. Até lá, a triagem cumpriu seu verdadeiro papel: separou o ruído rotineiro em pistas plausíveis, mas não comprovou proteção.

Como os padrões de cobrança podem apontar para a proteção contra o Alzheimer

Um modelo treinado com dados de seguros japoneses transforma códigos de cobrança em um mapa das relações entre diagnósticos, procedimentos e prescrições. Ao focar no nível intermediário da codificação médica, ele identifica padrões de doenças sem se afogar na granularidade excessiva dos códigos específicos. O sinal mais forte surge na demência: um ano de cobranças mensais oferece uma capacidade preditiva superior à de modelos transformer consolidados ou a métodos tabulares simples. A mesma representação anual também prevê internações hospitalares, o que serve como uma segunda verificação de que os padrões aprendidos acompanham eventos clínicos reais. Essas representações tornam-se, então, a base para uma triagem de reposicionamento de medicamentos. Quatro fármacos candidatos, vildagliptina, candesartana, loxoprofeno e pitavastatina, apresentaram associações protetoras robustas o suficiente para resistir ao controle da taxa de descoberta falsa. Não são tratamentos comprovados. São hipóteses ranqueadas que merecem uma análise clínica mais rigorosa. A promessa maior é um motor de descoberta construído a partir de dados já coletados para fins de pagamento, onde padrões raros de tratamento podem ser comparados entre milhões de pacientes.

Os obstáculos são igualmente claros. Como as cobranças são elaboradas para o faturamento, um diagnóstico pode aparecer apenas depois que testes ou prescrições já tenham moldado o cuidado. A população estudada é também mais velha e japonesa, portanto os resultados precisam ser testados em outros grupos etários, contextos genéticos e sistemas de saúde. As coortes amostradas podem deixar doenças raras e medicamentos pouco frequentes sub-representados, mesmo que o banco de dados completo contenha mais de cinco milhões de pessoas. A expansão para as cobranças completas, a validação dos candidatos em coortes independentes e a transição da associação para questões prontas para ensaios clínicos decidirão se este fluxo de trabalho se tornará uma parte rotineira da descoberta de medicamentos. Se os registros de faturamento podem revelar sinais protetores ocultos no cuidado ordinário, quantas outras doenças estão à espera da representação certa?