Introdução: No Brasil, mais de 134 mil indivíduos estão em hemodiálise e são acompanhados no Sistema Único de Saúde (SUS) através da Diretriz Clínica de Cuidado ao paciente com Doença Renal Crônica. Esta tecnologia em saúde preconiza a avaliação de 30 biomarcadores em diferentes periodicidades: mensal, trimestral, semestral, anual e eventual. Esse volume de dados de mundo real (do inglês, RWD) associados a Inteligência Artificial (IA) tem o potencial de analisar o valor de uso destes biomarcadores e – consequentemente – da Diretriz Clínica, tornando-se um método de Avaliação de Tecnologia em Saúde (ATS). Objetivos: Desenvolver um método com rede neural para avaliar a Diretriz Clínica de 2014 utilizando os biomarcadores de pacientes em hemodiálise no SUS. Material e Método: Estudo de coorte retrospectiva realizado em 23 Centros de Diálise de cinco estados do Brasil: Rio de Janeiro, Distrito Federal, São Paulo, Minas Gerais e Pernambuco. Os RWD foram coletados de 2012 a 2016 em prontuário eletrônico padronizado e extraídos mensalmente do Banco de Dados Europeu de Diálise Clínica. Foram incluídos pacientes maiores de 18 anos incidentes em hemodiálise e excluídos aqueles com menos de três meses de seguimento. Foram testados 14 algoritmos de IA para a predição do desfecho óbito, utilizando 20 variáveis: 17 biomarcadores e 3 variáveis de perfil. As métricas de acurácia, precisão, sensibilidade e F1-score foram aplicadas para a rede neural e a AUC- ROC demonstrou o desempenho dos melhores modelos. Resultados: Foram analisados RWD de 1.834 pacientes incidentes em hemodiálise pareados para presença-ausência do desfecho óbito. As métricas de acurácia, precisão, sensibilidade e F1-score da rede neural Multilayer Perceptron (MLP) foram: 70%; 71%; 72%; 69%. A AUC-ROC dos melhores modelos foram: Random Forest (0.77), Logistic Regression (0.77), XGBoost (0.76), Decision Tree (0.64). As variáveis com maior impacto nestes modelos foram albumina, sódio, idade, taxa de redução de ureia e hemoglobina. Esta relação foi inversamente proporcional (quanto menor o valor do biomarcador, maior o impacto no modelo), com exceção da idade. A atual periodicidade de mensuração da albumina é trimestral e os demais biomarcadores são mensais e - neste estudo, demonstraram estarem adequados no tocante ao seu valor de uso preditivo para óbito. Discussão e Conclusões: A partir dos biomarcadores de pacientes em hemodiálise, este estudo desenvolveu um método preditivo de óbito com rede neural, sendo o primeiro a avaliar tais parâmetros da Diretriz Clínica para esta população. A performance dos modelos foi demonstrada por métricas validadas com resultados promissores. Este fato aponta que a ATS pode se beneficiar com o uso de IA e RWD com grande potencial de aplicabilidade para outras diretrizes clínicas mediante ajustes técnicos. Como perspectivas futuras, pretende-se desenvolver modelos preditivos para internação hospitalar e avaliar diferentes periodicidades de mensuração dos biomarcadores para otimizar custos ao SUS.
O registro foi originalmente publicado em português. A versão em inglês foi traduzida com o apoio de inteligência artificial.
Abstract
Introduction: In Brazil, more than 134,000 individuals undergo hemodialysis and are managed under the Unified Health System (SUS) through the Clinical Guideline for Chronic Kidney Disease patients. This healthcare technology advocates for the evaluation of 30 biomarkers at various intervals: monthly, quarterly, semi-annually, annually, and occasionally. This substantial volume of real-world data (RWD) combined with Artificial Intelligence (AI) has the potential to assess the utility of these biomarkers and, consequently, the Clinical Guideline, making it a method for Health Technology Assessment (HTA). Objectives: This study aims to develop a neural network method to evaluate the 2014 Clinical Guideline using biomarkers from hemodialysis patients within SUS. Materials and Methods: A retrospective cohort study was conducted across 23 Dialysis Centers in five states of Brazil: Rio de Janeiro, Distrito Federal, São Paulo, Minas Gerais, and Pernambuco. RWD was collected from 2012 to 2016 using standardized electronic health records and extracted monthly from the European Clinical Dialysis Database. The study included incident hemodialysis patients over 18 years old and excluded those with less than three months of follow-up. Fourteen AI algorithms were tested for predicting the outcome of death using 20 variables: 17 biomarkers and 3 demographic variables. Accuracy, precision, sensitivity, and F1-score metrics were applied to the Multilayer Perceptron (MLP) neural network, and the area under the ROC curve (AUC-ROC) demonstrated the performance of the best models. Results: RWD from 1,834 incident hemodialysis patients were analyzed, matched for the presence or absence of death as an outcome. The accuracy, precision, sensitivity, and F1-score of the Multilayer Perceptron (MLP) neural network were: 70%, 71%, 72%, and 69%, respectively. The AUC-ROC scores for the best models were: Random Forest (0.77), Logistic Regression (0.77), XGBoost (0.76), and Decision Tree (0.64). The variables with the greatest impact in these models were albumin, sodium, age, urea reduction rate, and hemoglobin. This relationship was inversely proportional (lower biomarker values had a greater impact on the model), with the exception of age. The current measurement frequency for albumin is quarterly, while other biomarkers are measured monthly, which in this study demonstrated adequate predictive value for death. Discussion and Conclusions: Based on biomarkers from hemodialysis patients, this study developed a predictive method using a neural network, the first to evaluate such parameters of the Clinical Guideline for this population. The models' performance was demonstrated by validated metrics with promising results. This highlights the potential application of AI and RWD in HTA, with prospects for optimizing costs to SUS by developing predictive models for hospitalization and assessing different biomarker measurement frequencies in future studies.
