Predição de sobrevida de pacientes oncológicos na urgência-emergência

A transição do cuidado curativo para o cuidado paliativo segue como um desafio na prática clínica, especialmente em pacientes com câncer atendidos em serviços de urgência e emergência. Nesses cenários, as decisões precisam ser tomadas rapidamente, muitas vezes com informações clínicas incompletas, fragmentadas ou registradas em diferentes momentos do cuidado.

Médicos podem superestimar a sobrevida de pacientes oncológicos graves, o que dificulta conversas oportunas sobre cuidado paliativo, intensidade terapêutica e alinhamento de expectativas. Além disso, escalas tradicionais de prognóstico podem exigir informações laboratoriais, funcionais ou subjetivas nem sempre disponíveis no momento da admissão no pronto-socorro.

Desenvolver uma aplicação preditiva capaz de estimar sobrevida de pacientes oncológicos no contexto de urgência-emergência, apoiando a estratificação de risco e a discussão clínica sobre prognóstico, cuidado e prioridades assistenciais.

Os dados foram extraídos de atendimentos de pacientes em um hospital oncológico com pronto-socorro, a partir de registros do prontuário eletrônico. O recorte considerou pacientes atendidos no pronto-socorro de um hospital oncológico de porta fechada para pacientes previamente vinculados.

A variável alvo foi construída a partir do registro histórico do processo de trabalho de médicos paliativistas. Esses profissionais classificavam pacientes com base na experiência clínica e em elementos como estado funcional, diagnóstico oncológico, presença de comorbidades e resposta ao tratamento. O modelo foi estruturado para diferenciar pacientes com curta sobrevida e maior probabilidade de sobrevida prolongada.

As variáveis incluíram informações demográficas, clínicas, histórico assistencial, sinais vitais e dados da última consulta ambulatorial. Principais grupos de variáveis: - Idade - Sexo - Diagnóstico principal, CID - Histórico de internação recente - Frequência cardíaca - Frequência respiratória - Saturação de oxigênio - Pressão arterial média - Peso - Altura - IMC - ECOG - Tempo entre a última consulta ambulatorial e a ida ao pronto-socorro - Status, tendência e prioridade clínica, quando disponíveis

A análise seguiu uma lógica de projeto de dados aplicada à saúde: - Entendimento do contexto clínico - Definição do problema assistencial - Organização do target com base no parecer paliativista - Extração e preparação de dados do prontuário - Tratamento de variáveis clínicas, categóricas e numéricas - Análise exploratória das variáveis - Modelagem com AutoML - Seleção de modelo GBM - Avaliação por métricas de discriminação e erro - Interpretação por SHAP - Implantação em app para uso demonstrativo

O modelo final foi um GBM selecionado por AutoML. Essa abordagem foi usada por sua capacidade de lidar com dados tabulares clínicos, relações não lineares, interações entre variáveis e diferentes tipos de preditores. A aplicação disponibiliza a interpretação do modelo e permite avaliar o desempenho global, curva ROC e importância das variáveis.

AUPR representa a área sob a curva Precision-Recall, útil para avaliar desempenho quando as classes têm distribuição desigual.

Escalas prognósticas tradicionais, como o PaP Score, apresentam bom desempenho em contextos clínicos, mas podem ter limitações no pronto-socorro por dependerem de dados laboratoriais, avaliações subjetivas ou coleta extensa de informações. O material técnico indica que o PaP Score costuma apresentar AUC entre 0,75 e 0,85, enquanto o modelo desenvolvido atingiu AUC ROC de 0,912 no app.

A interpretação foi feita com SHAP para indicar como cada variável contribuiu para aumentar ou reduzir a probabilidade predita. Variáveis como ECOG, diagnóstico/CID, sinais vitais, internação recente, idade, IMC, tempo desde a última consulta ambulatorial, status e tendência clínica aparecem como fatores relevantes na explicação das predições.

O modelo deve ser usado como ferramenta de apoio à decisão, não como substituto do julgamento clínico. O resultado ajuda a organizar a discussão sobre prognóstico, necessidade de avaliação paliativa, intensidade de cuidado, comunicação com família e prioridades assistenciais.

- O modelo é retrospectivo e precisa de validação prospectiva antes de uso assistencial real. - A base vem de um contexto específico de hospital oncológico e pronto-socorro porta fechada. - A interpretação deve considerar disponibilidade, qualidade e momento de registro dos dados. - O resultado é probabilístico, não determinístico. - O uso clínico exige governança, validação local, integração com fluxo assistencial e monitoramento contínuo.

- Aplicação web interativa - Modelo GBM via AutoML - Pipeline de preparação de dados clínicos - Relatório de desempenho global - Curva ROC - Métricas de erro e discriminação - Interpretação por SHAP - Organização de variáveis clínicas, demográficas e assistenciais - Interface demonstrativa para apoio à decisão - Apresentação técnica do projeto

- Projetos preditivos em saúde precisam começar pelo problema clínico, não pelo algoritmo. - A definição do target pode depender de conhecimento especialista, como o parecer do paliativista. - Modelos de sobrevida em contexto de urgência precisam equilibrar desempenho, interpretabilidade e aplicabilidade no fluxo real. - SHAP ajuda a aproximar o modelo da discussão clínica. - O valor do projeto está em apoiar decisões difíceis, sensíveis ao tempo e dependentes de contexto.