Um estudo dinamarquês publicado na JAMA Psychiatry (maio/2025) indica que algoritmos de machine learning podem prever, com boa acurácia, a evolução diagnóstica para esquizofrenia com base em dados rotineiros de prontuários eletrônicos. A predição do transtorno bipolar, no entanto, mostrou-se mais desafiadora.
Contexto e objetivos
Apesar de esquizofrenia e transtorno bipolar geralmente se manifestarem no final da adolescência ou início da vida adulta, o diagnóstico costuma atrasar anos, dificultando o início precoce do tratamento. O objetivo do estudo foi avaliar se modelos de machine learning treinados com dados clínicos rotineiros poderiam antecipar a progressão diagnóstica para esses transtornos em pacientes com outros diagnósticos psiquiátricos.
Metodologia
- Coorte retrospectiva de 24.449 pacientes (15 a 60 anos), com 398.922 atendimentos ambulatoriais registrados nos Serviços de Psiquiatria da Região Central da Dinamarca entre 2013 e 2016.
- Utilização de algoritmos de elastic net e XGBoost para prever transições diagnósticas a partir de variáveis como prescrições, diagnósticos anteriores e anotações clínicas.
- Avaliação de performance baseada na curva ROC (AUROC).
Resultados principais
- Modelo XGBoost foi o mais eficaz:
- Esquizofrenia: AUROC = 0,80; sensibilidade = 19,4%; especificidade = 96,3%; valor preditivo positivo (VPP) = 10,8%.
- Transtorno bipolar: AUROC = 0,62; sensibilidade = 9,9%; especificidade = 96,2%; VPP = 8,4%.
- O uso de anotações clínicas (notas de evolução e registros de atendimento) se destacou como a variável mais útil para as previsões.
Conclusão
O estudo sugere que a aplicação de modelos de aprendizado de máquina em prontuários eletrônicos pode ser uma ferramenta promissora para reduzir atrasos diagnósticos, especialmente na esquizofrenia. Embora os resultados para transtorno bipolar tenham sido mais modestos, os achados indicam potencial clínico para detecção precoce baseada em dados clínicos já disponíveis na rotina assistencial.
Referência
Hansen L, et al. Predicting diagnostic progression to schizophrenia or bipolar disorder via machine learning. JAMA Psychiatry. 2025;82(5):459-469. doi:10.1001/jamapsychiatry.2024.4702.
