{"id":49984,"date":"2026-05-04T10:31:22","date_gmt":"2026-05-04T08:31:22","guid":{"rendered":"https:\/\/neuronup.com\/?p=33952"},"modified":"2026-05-05T10:32:35","modified_gmt":"2026-05-05T08:32:35","slug":"modelo-de-aprendizado-profundo-para-a-deteccao-precoce-do-deterioro-cognitivo-a-partir-de-notas-clinicas-em-historias-clinicas-eletronicas","status":"publish","type":"post","link":"https:\/\/neuronup.com\/br\/investigacao\/linhas-de-investigacao\/modelo-de-aprendizado-profundo-para-a-deteccao-precoce-do-deterioro-cognitivo-a-partir-de-notas-clinicas-em-historias-clinicas-eletronicas\/","title":{"rendered":"Modelo de aprendizado profundo para a detec\u00e7\u00e3o precoce da deteriora\u00e7\u00e3o cognitiva a partir de notas cl\u00ednicas em prontu\u00e1rios eletr\u00f4nicos"},"content":{"rendered":"\n

Antonio Javier Sutil Jim\u00e9nez fala neste artigo sobre os dados apresentados no estudo “Modelo de aprendizado profundo para a detec\u00e7\u00e3o precoce do comprometimento cognitivo a partir de notas cl\u00ednicas em prontu\u00e1rios eletr\u00f4nicos”<\/em>.<\/p>\n\n\n\n

Por que este estudo de modelo de aprendizado a partir de notas cl\u00ednicas \u00e9 importante?<\/h2>\n\n\n\n

Este estudo aborda a detec\u00e7\u00e3o precoce do comprometimento cognitivo em adultos<\/strong>, o que \u00e9 fundamental para poder realizar interven\u00e7\u00f5es terap\u00eauticas bem-sucedidas, retardar o decl\u00ednio, prevenir o desenvolvimento de doen\u00e7as ou facilitar a inscri\u00e7\u00e3o de participantes em ensaios cl\u00ednicos.<\/p>\n\n\n\n

Doen\u00e7a de Alzheimer<\/h3>\n\n\n\n

A doen\u00e7a de Alzheimer<\/a> \u00e9 um tipo de dem\u00eancia que representa um grande problema em n\u00edvel mundial. Essa doen\u00e7a foi diagnosticada em quase 6 milh\u00f5es de pessoas<\/strong> nos Estados Unidos, e sua preval\u00eancia aumenta com a idade, de modo que espera-se que o envelhecimento da popula\u00e7\u00e3o tamb\u00e9m aumente sua incid\u00eancia<\/strong> ao longo dos pr\u00f3ximos anos.<\/p>\n\n\n\n

No entanto, al\u00e9m da doen\u00e7a de Alzheimer, o comprometimento cognitivo leve<\/a> \u00e9 um problema de grande relev\u00e2ncia, que em muitos casos est\u00e1 associado a um posterior desenvolvimento de dem\u00eancia.<\/p>\n\n\n\n

Comprometimento cognitivo subjetivo<\/h3>\n\n\n\n

Da mesma forma, recentemente foi criada a categoria de comprometimento cognitivo subjetivo. Esse termo refere-se \u00e0 percep\u00e7\u00e3o do indiv\u00edduo de estar experimentando um decl\u00ednio de suas capacidades cognitivas<\/strong> em compara\u00e7\u00e3o com seu estado pr\u00e9vio.<\/p>\n\n\n\n

Embora esse r\u00f3tulo n\u00e3o seja uma doen\u00e7a em si, foi identificado que as pessoas com essa condi\u00e7\u00e3o podem estar em uma fase inicial de comprometimento cognitivo.<\/p>\n\n\n\n

Detec\u00e7\u00e3o do comprometimento cognitivo<\/h3>\n\n\n\n

Embora grandes esfor\u00e7os estejam sendo feitos para melhorar os tratamentos para esses pacientes, a detec\u00e7\u00e3o do comprometimento cognitivo continua sendo um desafio<\/strong>, e a melhoria das ferramentas de detec\u00e7\u00e3o \u00e9 necess\u00e1ria para que os tratamentos posteriores sejam eficazes.<\/p>\n\n\n\n

Ferramentas na aten\u00e7\u00e3o prim\u00e1ria<\/h4>\n\n\n\n

Dado que o n\u00famero de profissionais especializados para atender a popula\u00e7\u00e3o em risco \u00e9 limitado, uma poss\u00edvel solu\u00e7\u00e3o poderia ser fornecer ferramentas aos m\u00e9dicos de aten\u00e7\u00e3o prim\u00e1ria<\/strong>. Esses m\u00e9dicos n\u00e3o s\u00e3o especialistas em dem\u00eancia, mas t\u00eam contato direto com essa popula\u00e7\u00e3o<\/strong>, por isso prover-lhes ferramentas para o diagn\u00f3stico se apresenta como uma solu\u00e7\u00e3o vi\u00e1vel.<\/p>\n\n\n\n

Prontu\u00e1rios m\u00e9dicos eletr\u00f4nicos<\/h4>\n\n\n\n

O uso dos prontu\u00e1rios m\u00e9dicos eletr\u00f4nicos<\/strong> se prop\u00f5e como uma alternativa adequada para a elabora\u00e7\u00e3o dessas ferramentas, j\u00e1 que eles compilam o hist\u00f3rico de consultas dos pacientes dentro de um sistema de aten\u00e7\u00e3o m\u00e9dica.<\/p>\n\n\n\n

No entanto, \u00e9 importante destacar a dificuldade de identificar os sinais de comprometimento cognitivo n\u00e3o associados \u00e0 idade<\/strong>, que muitas vezes ficam documentados em avalia\u00e7\u00f5es cognitivas e nas preocupa\u00e7\u00f5es dos pacientes registradas pelos profissionais de sa\u00fade. Embora tenham sido realizados estudos com as informa\u00e7\u00f5es cl\u00ednicas dos pacientes, poucas vezes se aprofundou o uso das notas cl\u00ednicas dos prontu\u00e1rios para esse fim.<\/p>\n\n\n\n

Notas cl\u00ednicas como recurso informativo <\/h4>\n\n\n\n

Neste estudo prop\u00f5e-se o uso das notas cl\u00ednicas como um recurso informativo que poderia captar informa\u00e7\u00e3o que n\u00e3o \u00e9 considerada na maioria dos estudos. O fato de analisar as notas cl\u00ednicas manualmente seria muito custoso, por isso o objetivo do estudo foi desenvolver um modelo de detec\u00e7\u00e3o autom\u00e1tico baseado em aprendizado profundo<\/strong>.<\/p>\n\n\n\n

Portanto, a abordagem deste estudo \u00e9 original e inovadora ao fazer uso das notas cl\u00ednicas.<\/p>\n\n\n\n

As notas cl\u00ednicas s\u00e3o muito importantes para os prontu\u00e1rios de sa\u00fade no \u00e2mbito cl\u00ednico. No entanto, seu uso no \u00e2mbito cient\u00edfico tem sido limitado, fazendo com que sua aplica\u00e7\u00e3o para a detec\u00e7\u00e3o precoce do comprometimento cognitivo possa ser de grande interesse.<\/p>\n\n\n\n

O que foi feito?<\/h2>\n\n\n\n

Base de dados <\/h3>\n\n\n\n

Para a realiza\u00e7\u00e3o deste estudo, foram utilizados dados de uma empresa de sa\u00fade privada, filtrando os pacientes por idade (devem ser maiores de 50 anos) e pelo diagn\u00f3stico de comprometimento cognitivo leve. Em concreto, foram analisadas as notas cl\u00ednicas dos 4 anos anteriores ao diagn\u00f3stico<\/strong>.<\/p>\n\n\n\n

A defini\u00e7\u00e3o do comprometimento cognitivo baseou-se na men\u00e7\u00e3o de sintomas, diagn\u00f3stico, avalia\u00e7\u00f5es cognitivas e tratamentos. Quando as notas indicavam progresso, epis\u00f3dios transit\u00f3rios ou revers\u00edveis, foram consideradas negativas para comprometimento cognitivo.<\/p>\n\n\n\n

Processamento das notas cl\u00ednicas e desenvolvimento da base de dados<\/h3>\n\n\n\n

Primeiramente, devido ao comprimento das notas cl\u00ednicas, foi utilizado um processador de linguagem natural<\/strong> para dividi-las em se\u00e7\u00f5es. Essa divis\u00e3o permitiu identificar se cada se\u00e7\u00e3o indicava comprometimento cognitivo ou n\u00e3o.<\/p>\n\n\n\n

Em seguida, foram identificadas palavras-chave<\/strong> selecionadas por especialistas, treinados para identificar se\u00e7\u00f5es que continham ind\u00edcios de comprometimento cognitivo. Tr\u00eas anotadores rotularam as se\u00e7\u00f5es, e os conflitos foram resolvidos mediante discuss\u00f5es com especialistas na mat\u00e9ria, alcan\u00e7ando um bom n\u00edvel de concord\u00e2ncia entre os anotadores.<\/p>\n\n\n\n

Al\u00e9m disso, foi criado um conjunto de dados rotulado<\/strong> com 4.950 se\u00e7\u00f5es para treinar e testar v\u00e1rios algoritmos de aprendizado de m\u00e1quina. Finalmente, foram criadas duas bases de dados<\/strong> que seriam utilizadas para o desenvolvimento e valida\u00e7\u00e3o do modelo.<\/p>\n\n\n\n

Conjuntos de dados<\/h4>\n\n\n\n

O primeiro conjunto de dados, empregado para o desenvolvimento do modelo, inclu\u00eda apenas se\u00e7\u00f5es com palavras-chave selecionadas. Esse conjunto de dados continha 4.950 se\u00e7\u00f5es anotadas<\/strong>, prontas para o desenvolvimento dos modelos de aprendizado de m\u00e1quina.<\/p>\n\n\n\n

O segundo conjunto de dados consistiu em 2.000 se\u00e7\u00f5es selecionadas aleatoriamente<\/strong> de todas as notas, excluindo as usadas no primeiro conjunto. Esse segundo conjunto foi utilizado para verificar a capacidade de generaliza\u00e7\u00e3o do modelo em se\u00e7\u00f5es de notas<\/strong> sem aplicar um filtro baseado em palavras-chave.<\/p>\n\n\n\n

Desenvolvimento do modelo e valida\u00e7\u00e3o<\/h3>\n\n\n\n

Para desenvolver o modelo, utilizaram uma estrutura hier\u00e1rquica de aten\u00e7\u00e3o baseada em aprendizado profundo que havia sido desenvolvida em um trabalho pr\u00e9vio, al\u00e9m de quatro algoritmos base de aprendizado de m\u00e1quina<\/strong>: regress\u00e3o log\u00edstica, random forest, m\u00e1quina de vetores de suporte e XGBoost.<\/p>\n\n\n\n

O modelo previamente desenvolvido incorporava uma rede neural convolucional adaptada ao contexto, o que permitia lidar com varia\u00e7\u00f5es de palavras e interpretar a predi\u00e7\u00e3o por meio de camadas de aten\u00e7\u00e3o. Para obter mais informa\u00e7\u00f5es do modelo, recomenda-se consultar o artigo em quest\u00e3o e suas tabelas suplementares.<\/p>\n\n\n\n

Interpreta\u00e7\u00e3o da predi\u00e7\u00e3o do modelo <\/h4>\n\n\n\n

Para interpretar a predi\u00e7\u00e3o do modelo, foram identificadas as palavras com maior peso nas camadas de aten\u00e7\u00e3o utilizadas na predi\u00e7\u00e3o. As palavras com um peso relevante<\/strong>, isto \u00e9, de pelo menos 2 desvios-padr\u00e3o acima da m\u00e9dia, foram consideradas de alta aten\u00e7\u00e3o e foram comparadas com as palavras-chave originais<\/strong> selecionadas.<\/p>\n\n\n\n

Por outro lado, para os modelos base, as se\u00e7\u00f5es foram representadas pela frequ\u00eancia de ocorr\u00eancia de termos<\/strong>, e os algoritmos foram treinados e testados mediante valida\u00e7\u00e3o cruzada<\/strong>. Posteriormente, os resultados do modelo desenvolvido pelo grupo de pesquisa foram comparados com os 4 modelos base mencionados.<\/p>\n\n\n\n

Compara\u00e7\u00e3o de m\u00e9tricas<\/h4>\n\n\n\n

As duas medidas utilizadas para a compara\u00e7\u00e3o das m\u00e9tricas foram AUROC <\/strong>(\u00e1rea sob a curva da caracter\u00edstica operativa do receptor) e AUPRC <\/strong>(\u00e1rea sob a curva de precis\u00e3o e recupera\u00e7\u00e3o).<\/p>\n\n\n\n

AUROC \u00e9 um m\u00e9todo de an\u00e1lise habitual nesses modelos, pois permite avaliar os diferentes limiares entre sensibilidade e especificidade. AUPRC \u00e9 outra m\u00e9trica importante que oferece informa\u00e7\u00e3o complementar para dados n\u00e3o balanceados, quando o percentual de casos positivos \u00e9 baixo.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Inscreva-se<\/strong>
na nossa
Newsletter<\/h2>\n\n\n\n
\n
Inscreva-se<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

Quais s\u00e3o as principais conclus\u00f5es deste estudo de modelo de aprendizado a partir de notas cl\u00ednicas?<\/h2>\n\n\n\n

A conclus\u00e3o principal deste estudo \u00e9 que \u00e9 poss\u00edvel realizar predi\u00e7\u00f5es diagn\u00f3sticas de comprometimento cognitivo utilizando um modelo baseado nas notas cl\u00ednicas<\/strong>. Esses pacientes podem estar nas primeiras etapas do comprometimento cognitivo, o que permitiria identificar sinais precoces nos registros eletr\u00f4nicos de sa\u00fade.<\/p>\n\n\n\n

O modelo desenvolvido para esse fim foi o melhor preditor<\/strong> para detectar pacientes que desenvolver\u00e3o comprometimento cognitivo, sem depender dos dados estruturados. Embora o modelo de aprendizado profundo tenha sido o melhor, o modelo XGBoost tamb\u00e9m apresentou boas predi\u00e7\u00f5es<\/strong>, e se coloca como uma alternativa mais simples caso n\u00e3o se disponha da tecnologia necess\u00e1ria.<\/p>\n\n

M\u00e9tricas AUROC e AUPRC<\/h3>\n\n\n\n

Para verificar esses resultados, podem-se observar as pontua\u00e7\u00f5es obtidas nas m\u00e9tricas AUROC e AUPRC nos conjuntos de dados 1 e 2 (ver tabelas 1 e 2, respectivamente). \u00c9 especialmente not\u00e1vel que o modelo baseado em aprendizado profundo seja o melhor preditor em ambas as m\u00e9tricas. <\/p>\n\n\n\n

No caso do AUROC, todos os valores s\u00e3o superiores a 0,9, sendo sempre o modelo de aprendizado profundo o que melhor prediz. Quanto ao AUPRC, isso \u00e9 ainda mais evidente, pois esse modelo \u00e9 o \u00fanico que se mant\u00e9m acima do valor 0,9.<\/p>\n\n\n\n

As diferen\u00e7as entre essas m\u00e9tricas refor\u00e7am a consist\u00eancia dos resultados<\/strong>, uma vez que, enquanto o AUROC mostra a rela\u00e7\u00e3o entre a taxa de verdadeiros positivos e falsos positivos, o AUPRC reflete a rela\u00e7\u00e3o entre precis\u00e3o e sensibilidade.<\/p>\n\n\n\n

Em amostras desbalanceadas, a m\u00e9trica AUROC pode ser menos conservadora com os falsos positivos, por isso a informa\u00e7\u00e3o complementar do AUPRC permite confirmar o bom desempenho deste modelo.<\/p>\n\n\n\n

<\/div>\n\n\n\n
Modelo<\/td>AUROC<\/td>AUPRC<\/td><\/tr>
Regress\u00e3o log\u00edstica<\/td>0,936<\/td>0,880<\/td><\/tr>
Random Forest<\/td>0,950<\/td>0,889<\/td><\/tr>
M\u00e1quina de Vetores de Suporte<\/td>0,939<\/td>0,883<\/td><\/tr>
XGBoost<\/td>0,953<\/td>0,882<\/td><\/tr>
Aprendizado profundo <\/td>0,971<\/td>0,933<\/td><\/tr><\/tbody><\/table>
Tabela 1. Compara\u00e7\u00e3o dos modelos para o conjunto de dados com 4950 se\u00e7\u00f5es.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
Modelo<\/td>AUROC<\/td>AUPRC<\/td><\/tr>
Regress\u00e3o log\u00edstica <\/td>0,969<\/td>0,762<\/td><\/tr>
Random Forest<\/td>0,985<\/td>0,830<\/td><\/tr>
M\u00e1quina de Vetores de Suporte<\/td>0,954<\/td>0,723<\/td><\/tr>
XGBoost<\/td>0,988<\/td>0,898<\/td><\/tr>
Aprendizado profundo <\/td>0,997<\/td>0,929<\/td><\/tr><\/tbody><\/table>
Tabela 2. Compara\u00e7\u00e3o dos modelos para o conjunto de dados com 2000 se\u00e7\u00f5es.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

Desempenho do modelo <\/h3>\n\n\n\n

Outro ponto que se destaca neste estudo \u00e9 que o comprimento das notas pode afetar o desempenho do modelo; no entanto, mantendo conte\u00fado suficiente, demonstra-se que a classifica\u00e7\u00e3o por se\u00e7\u00f5es pode ser vi\u00e1vel. <\/p>\n\n\n\n

Al\u00e9m disso, esse tipo de modelo poderia ser aplicado a outras patologias, embora seja importante considerar que a identifica\u00e7\u00e3o de informa\u00e7\u00f5es amb\u00edguas ou complexas pode ser dif\u00edcil.<\/p>\n\n\n\n

<\/div>\n\n\n\n\n\n
<\/div>\n\n\n\n

Onde a NeuronUP poderia contribuir em um estudo como este?<\/h2>\n\n\n\n

NeuronUP<\/a> poderia contribuir de diversas formas para um estudo como este, pois tem ampla trajet\u00f3ria trabalhando com grandes quantidades de dados.<\/p>\n\n\n\n

Como se observa neste estudo, o manejo de grandes volumes de dados \u00e9 um dos principais desafios ao trabalhar com notas cl\u00ednicas. Portanto, a equipe da NeuronUP<\/a>, que conta com especialistas tanto no \u00e2mbito cl\u00ednico quanto na an\u00e1lise de dados, poderia realizar valiosas contribui\u00e7\u00f5es no processamento da informa\u00e7\u00e3o<\/strong>, seja mediante o uso de palavras-chave ou sem elas. <\/p>\n\n\n\n

Por outro lado, este estudo destaca-se pela compara\u00e7\u00e3o de cinco modelos diferentes, o que confere robustez aos resultados obtidos para seu modelo. A experi\u00eancia da equipe da NeuronUP tamb\u00e9m poderia ser \u00fatil no desenvolvimento de um modelo espec\u00edfico<\/strong> para esse prop\u00f3sito, ou na cria\u00e7\u00e3o de modelos robustos para compar\u00e1-los com o modelo desenvolvido.<\/p>\n\n\n\n

Li Zhou.  Professora de medicina na Faculdade de Medicina de Harvard h\u00e1 mais de dez anos, e \u00e9 pesquisadora principal no Brigham and Women\u2019s Hospital. Possui doutorado em Inform\u00e1tica Biom\u00e9dica pela Universidade de Columbia, e sua pesquisa tem se concentrado em processamento de linguagem natural, gest\u00e3o do conhecimento e apoio \u00e0 tomada de decis\u00f5es cl\u00ednicas. Al\u00e9m disso, foi pesquisadora principal em in\u00fameros projetos de pesquisa financiados pela AHRQ, NIH e CRICO\/RMF.<\/p>\n\n\n\n

Bibliografia <\/h2>\n\n\n\n