Estudo sobre a criação de um banco de dados de doenças intervencionistas cardiovasculares e a predição do risco de mortalidade pós-operatória

Por que isso importa para pacientes e famílias

Procedimentos cardiovasculares podem salvar vidas, mas também implicam riscos reais, especialmente para pacientes mais velhos e mais fragilizados. Uma das maiores questões após uma intervenção é: “Quais são as chances de eu ou meu ente querido morrer nos meses seguintes à cirurgia?” Este estudo demonstra como dados hospitalares organizados com cuidado e um modelo moderno de inteligência artificial (IA) podem ajudar os médicos a estimar esse risco com maior precisão, permitindo vigiar pacientes vulneráveis mais de perto e intervir mais cedo quando surgem sinais de complicação.

De registros dispersos a uma história completa do paciente

Tradicionalmente, informações sobre pacientes cardiológicos ficam espalhadas por vários sistemas hospitalares — laudos laboratoriais em um lugar, exames de imagem em outro e notas de acompanhamento em outro. Grande parte é escrita em texto livre e não padronizada, o que dificulta que computadores e mesmo médicos tenham uma visão integrada. Os pesquisadores enfrentaram isso construindo um banco de dados dedicado às intervenções cardiovasculares em um grande hospital da província de Zhejiang, China. Ao longo de um ano, coletaram dados detalhados e estruturados de 728 pacientes submetidos a procedimentos cardíacos minimamente invasivos, concentrando-se posteriormente em 638 casos com informação completa desde a admissão até seis meses após a cirurgia. Essa visão de “ciclo completo” captura quem são os pacientes, o que acontece antes e durante o procedimento e como é a recuperação depois.

O que compõe o banco de risco cardíaco

O banco de dados reúne informações de múltiplos sistemas hospitalares, como prontuários eletrônicos, sistemas laboratoriais, plataformas de imagem e clínicas de seguimento. A equipe agrupou os dados em quatro blocos principais: detalhes básicos do paciente e histórico médico; exames e imagens realizados antes da cirurgia; o que efetivamente ocorreu durante o procedimento; e indicadores de acompanhamento, como sinais vitais, exames de sangue e escores de capacidade para atividades da vida diária. Em seguida, trataram os dados — removendo campos com muitos valores ausentes, preenchendo pequenas lacunas de forma sensata e convertendo categorias de texto (por exemplo, fumante ou não, presença de sangramento) em códigos numéricos que os computadores podem analisar. Também resumiram múltiplas doenças pré-existentes em um único escore de comorbidade, facilitando a representação da carga global de doença de cada paciente.

Treinando um modelo de IA para detectar sinais de alerta precocemente

Com os dados organizados, os pesquisadores colocaram uma pergunta focada: com base em todas essas informações, podemos prever quem morrerá dentro de seis meses após o procedimento? Apenas 41 dos 638 pacientes morreram nesse período, o que torna o problema de predição especialmente difícil — há muitos mais sobreviventes do que óbitos, e muitos modelos tendem a negligenciar os casos raros, porém críticos, de alto risco. A equipe usou primeiro um método de seleção de características para escolher 30 das variáveis mais informativas ao longo de todo o ciclo do paciente. Entre elas estavam fatores como idade, índice de massa corporal, carga de comorbidade, determinados resultados laboratoriais, detalhes da operação como o tempo de permanência dos instrumentos e medidas de acompanhamento, como função renal e hepática e capacidade para atividades diárias.

Um motor híbrido de IA concebido para rapidez e precisão

Para analisar esses dados ao longo do tempo, os pesquisadores desenharam um modelo híbrido que combina duas técnicas de IA. A primeira, conhecida como rede de memória de longo e curto prazo (LSTM), é boa em traçar padrões temporais — como variações de valores laboratoriais antes e depois da cirurgia — mas pode tornar-se lenta e propensa a overfitting se usada isoladamente. A segunda, chamada sistema de aprendizado amplo (broad learning system), estabelece rapidamente conexões entre características sem o pesado ajuste de pesos típico de redes profundas. No desenho deles, os dados do ciclo de vida do paciente passam primeiro pela parte sensível ao tempo do modelo, depois por uma etapa de regularização para reduzir o overfitting e, por fim, pela camada de aprendizado amplo que calcula rapidamente a predição final. Essa estrutura preserva as forças do aprendizado profundo ao mesmo tempo em que mitiga suas fraquezas.

O que os resultados significam para o cuidado na prática

Ao comparar o modelo híbrido com três abordagens neurais comuns, o novo desenho apresentou desempenho claramente superior. Ele classificou corretamente os pacientes em cerca de 87% das vezes e, de forma importante, identificou mais de 93% daqueles que efetivamente morreram dentro de seis meses — uma vantagem crucial quando o objetivo é não deixar passar indivíduos de alto risco. Em termos práticos, isso significa que, ao organizar os dados hospitalares em um banco de dados dedicado a intervenções cardíacas e processá-los com um modelo de IA adaptado, os médicos podem obter um alerta precoce mais confiável sobre quais pacientes precisam de atenção extra após o procedimento. Embora o estudo seja de um único hospital e ainda precise ser testado em outros centros, ele aponta para um futuro em que uso mais inteligente dos dados e ferramentas de predição especializadas ajudam a tornar as intervenções cardíacas mais seguras e a recuperação mais protegida.

Citação: Qi, P., Hu, C., Li, Y. et al. Study on establishment of cardiovascular interventional disease database and prediction of postoperative mortality risk. Sci Rep 16, 12493 (2026). https://doi.org/10.1038/s41598-026-39788-7

Palavras-chave: intervenção cardiovascular, risco pós-operatório, previsão de mortalidade, bancos de dados médicos, inteligência artificial na saúde