Prevendo complicações e mortalidade em pacientes com infarto do miocárdio usando um modelo de rede neural por grafos

Por que prever problemas após um ataque cardíaco cedo importa

Sobreviver a um ataque cardíaco é apenas o começo. Nos primeiros dias após o infarto, pacientes podem desenvolver de forma súbita problemas perigosos, como ritmos cardíacos anômalos, acúmulo de líquido nos pulmões ou até uma ruptura na parede do coração. Essas crises frequentemente chegam com pouca antecedência, mas costumam ser precedidas por pequenas mudanças em exames de sangue, pressão arterial ou medicamentos. Este estudo investiga se uma forma avançada de inteligência artificial pode vasculhar registros hospitalares em tempo real para sinalizar quais pacientes estão indo para uma situação crítica, dando aos médicos a chance de intervir antes que seja tarde demais.

Um novo jeito de ler o prontuário hospitalar

A maioria das ferramentas de previsão atuais para pacientes com infarto considera apenas alguns números registrados na admissão e tenta responder a uma pergunta direta: o paciente vai morrer ou não? Elas ignoram como a condição do paciente evolui ao longo de horas e dias, e tratam cada paciente como um caso isolado. A equipe por trás deste trabalho adotou outra abordagem. Construíram um modelo que trata o prontuário eletrônico de cada paciente como uma história rica, combinando idade, histórico médico, exames laboratoriais, registros de ECG e tratamentos ao longo das primeiras 72 horas no hospital. Em vez de prever apenas um desfecho, o modelo busca antecipar 12 complicações diferentes, além do risco de morte antes da alta.

Deixando pacientes semelhantes “conversarem” entre si

O cerne da abordagem é um método chamado rede neural por grafos, que pode ser entendido como uma forma de permitir que pacientes semelhantes “compartilhem” informação. Cada paciente é um nó numa rede, e conexões são traçadas entre pacientes cujos prontuários se parecem. O modelo não fixa essas conexões; ele adapta quantos vizinhos cada paciente tem dependendo de quão comum ou raro é seu padrão nos dados. Isso é especialmente importante para problemas incomuns mas letais, como a ruptura da parede cardíaca, onde pistas adicionais vindas de pacientes semelhantes podem melhorar as estimativas de risco.

Observando tanto variações rápidas quanto tendências lentas

Além de ligar pacientes, o modelo presta muita atenção a como a condição deles muda ao longo do tempo. Um ramo foca em oscilações de curto prazo em medidas como níveis de sódio ou sinais vitais nas primeiras três dias. Outro ramo observa tendências mais lentas, como quando um valor laboratorial sobe ou cai de forma consistente. Um mecanismo especial de “atenção” então decide como combinar essas duas visões em um quadro único da trajetória atual do paciente. Esse retrato combinado, junto com as informações de base do paciente, é passado pela rede de pacientes para gerar escores de risco separados para cada complicação potencial e para a morte.

Como o sistema se sai

Os pesquisadores testaram o modelo em registros de 1.700 pessoas tratadas por infarto, usando validações repetidas para evitar sobreajuste. Em média, sua capacidade de separar pacientes que desenvolveriam ou não cada complicação foi moderada, e notavelmente superior a dois métodos de comparação fortes. Foi particularmente preciso para prever óbito intra-hospitalar, alcançando um nível de desempenho (AUC 0,88) que se compara favoravelmente com estudos anteriores baseados em técnicas tradicionais de aprendizado de máquina. O sistema teve mais dificuldade com condições raras ou sutis, onde há menos exemplos para aprender e onde o sinal nos dados é fraco, levando a pontuações menores para algumas complicações e a um equilíbrio moderado entre alarmes verdadeiros e falsos.

Abrindo a caixa-preta para os médicos

Para ajudar os clínicos a confiar e entender o sistema, os autores investigaram quais fatores o modelo mais utilizou. A idade surgiu como um importante motor de risco, assim como os níveis de sódio no sangue e padrões relacionados a certos fármacos, como anticoagulantes e medicamentos que estabilizam o ritmo cardíaco — achados que se alinham bem com o conhecimento médico existente. Ao examinar “mapas de atenção” internos, mostraram como o modelo destaca dias e tendências laboratoriais específicos em pacientes de alto risco, oferecendo uma explicação visual para seus alertas. Ao mesmo tempo, o estudo reconhece limites importantes: todos os dados vieram de um único hospital, algumas complicações foram raras e apenas dados estruturados do prontuário — não traçados brutos de ECG ou imagens — foram usados.

O que isso significa para os pacientes

Em termos simples, este trabalho demonstra que um sistema de IA pode escanear o prontuário detalhado de um paciente com infarto, acompanhar como sua condição muda hora a hora e fornecer um aviso precoce para uma gama de complicações perigosas, especialmente a morte. Embora a ferramenta não seja perfeita e precise ser testada em outros hospitais e aperfeiçoada para problemas mais raros, ela vai além de escores genéricos rumo a alertas de risco personalizados e específicos por desfecho. Se refinados e integrados com segurança aos sistemas hospitalares, modelos assim podem ajudar equipes de cuidado a concentrar atenção e tratamentos preventivos nos pacientes que mais precisam durante os dias críticos após um ataque cardíaco.

Citação: Guo, D., Zhang, Z., Zhou, D. et al. Predicting complications and mortality in myocardial infarction patients using a graph neural network model. Sci Rep 16, 5886 (2026). https://doi.org/10.1038/s41598-026-36798-3

Palavras-chave: infarto do miocárdio, previsão de complicações, rede neural por grafos, registros eletrônicos de saúde, risco de mortalidade