Uma rede bayesiana para identificar causas da falta de ar usando um banco de dados nacional de prontuários eletrônicos (EMR)

Por que encontrar a causa da falta de ar é importante

Lutar para respirar pode ser assustador, seja quando surge de repente ou se instala aos poucos ao longo de meses. A falta de ar é frequentemente o primeiro sinal de que algo está errado no coração ou nos pulmões, mas médicos na prática geral do dia a dia podem enfrentar uma longa lista de causas possíveis e dispor de pouco tempo e poucos exames. Este estudo descreve uma nova ferramenta computacional que usa padrões em milhões de prontuários médicos anônimos para ajudar médicos de família a identificar rapidamente as razões mais prováveis para um paciente estar com falta de ar, com o objetivo de acelerar o diagnóstico e evitar exames desnecessários.

Um sintoma comum com muitas origens possíveis

A falta de ar, às vezes chamada de falta de fôlego ou dispneia, é uma queixa muito comum com consequências sérias. Pessoas que se sentem com falta de ar com mais frequência têm pior qualidade de vida, mais ansiedade e depressão, e risco maior de hospitalização e morte precoce. Está especialmente associada a doenças pulmonares crônicas, como asma e doença pulmonar obstrutiva crônica (DPOC), e a condições cardíacas como insuficiência cardíaca, mas também pode ser causada por infecções, coágulos sanguíneos ou até câncer. Como tantas doenças compartilham esse único sintoma, os médicos de atenção primária frequentemente precisam solicitar múltiplos exames e encaminhar pacientes a diferentes especialistas, o que pode atrasar o tratamento adequado e aumentar os custos de saúde.

Transformando registros de rotina em uma ferramenta de aprendizado

Os pesquisadores acessaram um grande banco de dados do Reino Unido de prontuários eletrônicos de 50 consultórios de medicina geral, cobrindo cerca de 136.000 adultos que consultaram por falta de ar entre 2002 e 2024. A partir desses registros, identificaram quase 385.000 “episódios” distintos de falta de ar e os vincularam, quando possível, a dez diagnósticos-chave conhecidos por causar falta de ar, incluindo asma, DPOC, insuficiência cardíaca, câncer de pulmão, pneumonia e tromboembolismo pulmonar. Para fazer isso de maneira justa, definiram janelas de tempo ao redor de cada episódio: para um problema de evolução rápida como pneumonia, analisaram apenas algumas semanas antes e depois da consulta, enquanto para doenças de evolução mais lenta, como câncer de pulmão, consideraram muitos meses antes e depois. Também extrairam 34 informações simples sobre cada paciente — como idade, sexo, tabagismo, sintomas como tosse ou chiado, medicamentos em uso e diagnósticos prévios.

Como a rede inteligente funciona

Com essas informações, a equipe construiu um tipo de modelo estatístico chamado rede bayesiana. Isso pode ser imaginado como uma teia de pontos conectados, em que cada ponto representa algo sobre o paciente (por exemplo, “fumante atual” ou “história de DPOC”) ou uma das dez possíveis causas da falta de ar. As linhas entre os pontos mostram quão fortemente estão relacionadas. Quando um médico insere os dados de um paciente, a rede atualiza as probabilidades de cada diagnóstico, com base em padrões aprendidos a partir de todos os pacientes anteriores no banco de dados. A estrutura da rede foi primeiro aprendida a partir dos dados e depois refinada com a contribuição de especialistas em pulmão e coração para garantir que fizesse sentido clínico e não se apoiasse em relações de causa e efeito impossíveis.

Quão bem a ferramenta funciona

Para testar o modelo, os pesquisadores reservaram 30% dos episódios de falta de ar que não foram usados durante o desenvolvimento. Nesse grupo separado, a capacidade da ferramenta de distinguir entre pacientes com e sem cada condição variou de moderada a excelente. Por exemplo, sua pontuação de desempenho (conhecida como ROC-AUC) foi 0,94 para insuficiência cardíaca e 0,90 para asma, o que significa que raramente confundia pacientes com e sem essas condições. Mesmo para diagnósticos mais desafiadores, como infecções torácicas não pneumônicas, o desempenho ficou acima do acaso. Verificações adicionais mostraram que as probabilidades produzidas pelo modelo corresponderam de perto ao que foi observado nos dados. Não surpreendentemente, o histórico prévio de uma doença frequentemente foi a pista mais forte de que um novo episódio era causado pela mesma condição.

O que isso pode significar para pacientes e médicos

Os autores já incorporaram essa rede em um sistema de suporte à decisão clínica que se integra ao software dos médicos de família e estão testando-o em um ensaio em consultórios australianos. Se continuar a apresentar bom desempenho, a ferramenta poderá ajudar os médicos a ver rapidamente quais diagnósticos são mais e menos prováveis quando alguém se apresenta com falta de ar, orientando-os para os exames mais informativos primeiro. Isso não substitui o julgamento do médico, e não cobre todas as causas possíveis, mas pode fornecer uma “segunda opinião” baseada em evidências, extraída de centenas de milhares de casos semelhantes. Em termos práticos, o estudo sugere que prontuários eletrônicos cuidadosamente analisados podem ser transformados em uma espécie de conselheiro discreto de fundo — que ajuda a encurtar o caminho entre a primeira sensação assustadora de falta de ar e um diagnóstico claro e tratamento apropriado.

Citação: Kabir, A., Devaux, A., Jenkins, C. et al. A Bayesian network for identifying causes of breathlessness using a national electronic medical records (EMR) database. Sci Rep 16, 4900 (2026). https://doi.org/10.1038/s41598-026-35250-w

Palavras-chave: falta de ar, atenção primária, rede bayesiana, prontuários eletrônicos, suporte à decisão diagnóstica