Usando aprendizado de máquina para identificar indivíduos em risco de violência por parceiro íntimo

Pesquisadores do Mass General Brigham desenvolveram uma série de ferramentas de inteligência artificial (IA) que usam aprendizado de máquina para identificar indivíduos que podem estar em risco de violência por parceiro íntimo (VPI), usando informações de seus registros médicos eletrônicos (EMRs). Num estudo publicado em npj Saúde da Mulher, os investigadores relatam que as ferramentas podem detectar a VPI até quatro anos antes de o indivíduo procurar atendimento num centro de tratamento de violência doméstica. As descobertas destacam o seu potencial para o rastreio proativo e para apoiar os prestadores de cuidados de saúde no início de conversas precoces sobre VPI com os pacientes.

Nossa pesquisa oferece prova de conceito de que a IA pode ajudar os médicos a sinalizar possíveis abusos mais cedo. A identificação precoce da violência entre parceiros íntimos e dos riscos futuros pode permitir que os médicos intervenham mais cedo e ajudem a prevenir consequências significativas para a saúde física e mental.”

Bharti Khurana, MD, MBA, investigador principal, autor correspondente e sênior, diretor fundador do Centro de Pesquisa e Inovação em Imagens de Trauma e radiologista de emergência, Departamento de Mass General Brigham de Radiologia

Mais de um terço das mulheres e 1 em cada 10 homens sofrerão VPI durante a vida; no entanto, apesar da sua elevada prevalência, as pessoas raramente revelam a VPI aos prestadores de cuidados de saúde devido ao medo, ao estigma ou à dependência financeira ou psicossocial da pessoa que as abusa. Pesquisas anteriores mostram que as pessoas que sofrem VPI têm maior probabilidade de revelar o abuso se forem questionadas em particular por um profissional de saúde de confiança, de maneira informada sobre o trauma.

Para promover a identificação e intervenção precoce por parte dos prestadores de cuidados de saúde, a equipa de investigação de Khurana, trabalhando com colaboradores do Massachusetts Institute of Technology (MIT) liderada por Dimitris Bertsimas, PhD, treinou três modelos de aprendizagem automática usando dados EMR de 673 mulheres que visitaram um centro de intervenção e prevenção de abuso doméstico num centro de saúde académico dos EUA entre 2017 e 2022, bem como 4.169 controlos demograficamente correspondentes que não relataram VPI.

Os três modelos de IA testados incluíram um modelo tabular usando dados EMR estruturados, como diagnósticos, medicamentos e índice de privação social com base no CEP; um modelo de notas usando notas clínicas não estruturadas e relatórios de radiologia e departamento de emergência; e um modelo de fusão que combina ambos os tipos de dados chamado Holistic AI in Medicine (HAIM).

Quando testados em 168 pacientes que visitaram o centro de intervenção e prevenção de VPI no mesmo período e 1.043 controles, todos os três modelos apresentaram alta precisão, com o modelo de fusão atingindo o mais alto (88%). Quando testado com registros médicos arquivados e com registro de data e hora, o modelo de fusão poderia prever 80,5% dos casos com antecedência – em média, mais de 3,7 anos antes dos pacientes procurarem atendimento.

Os modelos foram então validados com dados de dois grupos adicionais de pacientes que não foram incluídos nos dados de treinamento ou teste, e controles, encontrando precisões igualmente altas.

Pesquisas anteriores lideradas por Khurana descobriram que mulheres que frequentemente passam por exames de imagem no pronto-socorro e apresentam tipos específicos de lesões têm maior probabilidade de relatar VPI posteriormente. Esta nova pesquisa de IA identificou fatores de risco adicionais para VPI: Pessoas com transtornos de saúde mental, dor crônicae visitas frequentes ao departamento de emergência tinham maior probabilidade de sofrer VPI, enquanto os pacientes que acessavam regularmente serviços preventivos, como mamografias e imunizações, apresentavam um risco menor.

Os autores observam que as ferramentas de IA foram desenvolvidas e validadas em pacientes que procuraram cuidados ou divulgaram VPI, o que pode limitar a precisão na previsão da VPI em indivíduos com menor probabilidade de procurar cuidados ou revelar VPI aos prestadores. Além disso, o grupo de controle nos dados de treinamento pode ter incluído falsos negativos ou pacientes que sofreram VPI, mas não a relataram, o que poderia reduzir a precisão do modelo. O treinamento futuro com conjuntos de dados de pacientes maiores e mais diversificados durante períodos mais longos melhorará sua precisão, observou Khurana.