Abordagens de inferência causal e aprendizado de máquina na otimização de alertas de deterioração clínica

Abstract

Resumo: Instituições hospitalares enfrentam o desafio crítico da identificação precoce de sinais clínicos de deterioração em pacientes internados em suas instalações. Embora existam soluções baseadas em aprendizado de máquina (ML) para monitoramento clínico, a maioria delas opera sob uma lógica estritamente correlativa, sem distinguir relações de causa e efeito, e que pode comprometer a interpretabilidade dos modelos e reduz a confiabilidade dos alertas. Esta dissertação propõe a integração de inferência causal computacional a técnicas de aprendizado de máquina, com o objetivo de superar essa limitação e aprimorar a compreensão dos fatores que levam à deterioração clínica. O objetivo consiste em modelar relações causais entre variáveis fisiológicas coletadas de pacientes hospitalizados, utilizando uma base de dados real proveniente de um sistema de inteligência clínica, com o propósito de identificar fatores diretamente associados à deterioração clínica e ao risco de óbito. A metodologia incluiu etapas de préprocessamento dos dados, modelagem causal e avaliação estatística dos efeitos estimados, complementadas por uma análise de interpretabilidade para validar a influência das variáveis mais relevantes do conjunto de dados. Os resultados demonstraram que a abordagem causal identificou fatores com impacto direto e estatisticamente significativo sobre o desfecho de óbito, como idade e internações em unidades de terapia intensiva, além de revelar variações de efeito entre subgrupos etários e condições hemodinâmicas associadas aos pacientes. As evidências reforçam o potencial da abordagem proposta para aprimorar sistemas de alerta clínico, oferecendo suporte à decisão médica baseado em relações de causa e efeito

Abstract: Hospitals face the critical challenge of early identification of clinical deterioration in hospitalized patients. Although machine learning (ML) based solutions are widely used for clinical monitoring, most operate under strictly correlative logic, without distinguishing cause-and-effect relationships, which can compromise model interpretability and reduce the reliability of alerts. This dissertation proposes the integration of computational causal inference with machine learning techniques to overcome this limitation and enhance the understanding of the factors leading to clinical deterioration. The objective is to model causal relationships among physiological variables collected from hospitalized patients, using a real dataset derived from a commercial clinical intelligence system, in order to identify factors directly associated with clinical deterioration and mortality risk. The methodology included data preprocessing, causal modeling, and statistical evaluation of the estimated effects, complemented by an interpretability analysis to validate the influence of the most relevant variables in the dataset. The results demonstrated that the causal approach identified factors with a direct and statistically significant impact on patient mortality—such as age and intensive care unit admission—while also revealing variations in effect across patient age subgroups and different hemodynamic conditions. The findings highlight the potential of the proposed approach to enhance clinical alert systems, providing medical decision support based on true cause-and-effect relationships