Uma abordagem de aprendizado de máquina para previsão do risco de overdose por opioides entre beneficiários do Medicaid do Alabama com prescrições de opioides

Por que isso importa para as pessoas comuns

A crise dos opioides é frequentemente discutida nas manchetes nacionais, mas seu impacto é sentido com mais intensidade em comunidades específicas. Este estudo examina de perto pessoas no Alabama que recebem atendimento de saúde pelo Medicaid e têm prescrições de opioides. Ao usar métodos computacionais modernos para prever quem tem maior probabilidade de sofrer uma overdose, os pesquisadores visam ajudar médicos, planos de saúde e formuladores de políticas a intervir mais cedo — antes que ocorra uma tragédia — ao mesmo tempo em que revelam padrões que podem surpreender tanto pacientes quanto clínicos.

Um olhar mais atento ao uso de opioides no Alabama

O Alabama tem uma das maiores taxas de prescrição de opioides nos Estados Unidos, e as mortes por overdose aumentaram em todos os 67 condados. O Medicaid, que cobre cerca de um em cada quatro residentes do Alabama, assegura muitas pessoas com renda limitada que já correm maior risco de problemas de saúde. Os pesquisadores utilizaram registros detalhados de faturamento do Medicaid do Alabama, cobrindo consultas médicas, internações e prescrições dispensadas, para adultos de 18 a 64 anos que receberam analgésicos opioides entre 2016 e 2023. Esses registros permitiram acompanhar centenas de milhares de pessoas ao longo do tempo, rastreando quem posteriormente sofreu uma overdose de opioide registrada em uma visita de emergência ou em um pedido de internação.

Como os computadores aprendem a sinalizar risco de overdose

A equipe construiu e testou vários modelos de aprendizado de máquina — programas de computador que aprendem padrões a partir de grandes quantidades de dados — para estimar a probabilidade de cada pessoa sofrer uma overdose nos próximos três meses. Eles treinaram os modelos com dados de 2016–2018 e então avaliaram o desempenho em dados mais recentes de 2019–2023. Como as overdoses eram raras (cerca de 0,5–0,6% das pessoas com prescrições de opioides), utilizaram uma técnica chamada SMOTE, que cria exemplos sintéticos realistas de casos de overdose para que os modelos não os “ignorem”. Entre as três abordagens testadas, um método chamado gradient boosting teve o melhor desempenho ao separar pacientes de maior e menor risco, apresentando excelente acurácia quando avaliado por medidas padrão em modelagem preditiva.

Quem está mais em risco e quais padrões se destacam

Os modelos apontaram vários sinais de alerta fortes. Pessoas que já tinham sofrido overdoses antes — seja por opioides prescritos ou por heroína — apresentaram risco muito maior de overdose novamente. Tomar doses diárias mais altas de opioides e acumular uma grande quantidade total de opioides ao longo do tempo também aumentou o risco. A idade também importou: pessoas na faixa dos 40 e 50 anos tinham maior probabilidade de overdose do que adultos mais jovens. Consultas ambulatoriais frequentes, diagnósticos de transtorno por uso de opioides ou outros problemas por uso de substâncias, e visitas repetidas ao pronto-socorro foram sinais adicionais. De maneira marcante, pessoas que acabaram sofrendo overdose tiveram muito mais solicitações de preenchimento de prescrição negadas do que outros pacientes, sugerindo um padrão de tentativas repetidas de obter opioides que não atendiam às regras de cobertura ou segurança.

O impacto de lidar com eventos raros nos dados

Como eventos de overdose são incomuns em comparação com o número total de pacientes, os pesquisadores deram atenção especial a quão bem seu modelo conseguia identificar corretamente esses casos raros, porém críticos. Quando usaram SMOTE para balancear os dados, o modelo ficou muito melhor em detectar casos reais de overdose (maior recall), embora isso também tenha levado a mais falsos alarmes. A acurácia geral permaneceu muito alta, e uma pontuação combinada que pondera tanto detecções corretas quanto alarmes falsos melhorou ligeiramente. Em termos práticos, isso significa que o modelo é mais útil como sistema de alerta precoce: ele deixa escapar menos pessoas que realmente estão em perigo, o que é crucial quando o custo de não identificar um caso pode ser uma vida.

O que isso significa para prevenção e políticas

Para o público leigo, a conclusão é que o risco de overdose não é aleatório. Ele pode ser estimado usando informações que os sistemas de saúde já coletam, como idade, overdoses anteriores, histórico de prescrições e pedidos de reabastecimento negados. Este estudo mostra que modelos computacionais avançados, quando cuidadosamente projetados para lidar com eventos raros, podem destacar de forma confiável quais pacientes do Medicaid do Alabama são mais vulneráveis no curto prazo. Usadas de forma responsável, essas ferramentas podem ajudar médicos e programas públicos a concentrar aconselhamento, tratamento para dependência, acompanhamento mais próximo e outros apoios onde são mais necessários — oferecendo uma chance de prevenir overdoses antes que aconteçam, em vez de apenas responder depois do fato.

Citação: Parton, J., Wang, Q., Wang, E.C. et al. A machine learning approach for opioid overdose risk prediction among Alabama Medicaid beneficiaries with opioid prescriptions. Sci Rep 16, 5171 (2026). https://doi.org/10.1038/s41598-026-36047-7

Palavras-chave: overdose por opioides, Medicaid, aprendizado de máquina, previsão de risco, opióides prescritos