Desenvolvimento de uma plataforma web para prever o risco de queda em pacientes cardiovasculares usando aprendizado de máquina

Por que manter pacientes cardíacos de pé importa

Para milhões de adultos de meia-idade e idosos com problemas cardíacos e vasculares, uma simples tropeçada em casa pode desencadear uma cascata de crises de saúde. Uma queda grave pode levar a fraturas, internações e um retrocesso sério para corações já frágeis. Este estudo investigou se técnicas computacionais modernas podem ajudar médicos a identificar quais pacientes cardiovasculares têm maior probabilidade de cair, muito antes de um acidente acontecer, e assim permitir intervenções precoces para mantê-los mais seguros e independentes.

Como problemas cardíacos e quedas estão ligados

Quedas são uma das principais causas de lesões acidentais e morte entre idosos em todo o mundo, e acarretam altos custos emocionais e financeiros para famílias e sistemas de saúde. Ao mesmo tempo, a doença cardiovascular torna-se mais frequente com o envelhecimento das populações, e muitos pacientes com condições cardíacas são especialmente vulneráveis. Problemas cardíacos sutis podem afetar a pressão arterial, o equilíbrio e a resistência mesmo antes de os sintomas serem evidentes. Quando pessoas com doença cardiovascular caem, elas têm maior probabilidade de sofrer complicações, necessitar de cirurgia e enfrentar riscos mais altos durante a recuperação. Por isso, prever o risco de queda nesse grupo é uma questão urgente de saúde pública.

Transformando grandes pesquisas de saúde em uma ferramenta de risco

Os pesquisadores utilizaram um grande estudo nacional de adultos chineses com 45 anos ou mais que acompanha fatores de saúde, estilo de vida e sociais ao longo do tempo. A partir desse conjunto rico de dados, identificaram 1.784 pessoas com doença cardiovascular e as acompanharam por dois anos para ver quem relatou uma queda. Examinaram 40 possíveis preditores, que vão desde idade, escolaridade, qualidade do sono e humor até condições médicas como doença renal e reumatismo, além de dor, quedas anteriores e medidas de força e capacidade cognitiva. Limpeza cuidadosa dos dados, tratamento de valores ausentes e balanceamento entre quem caiu e quem não caiu ajudaram a preparar as informações para análise avançada.

O que os modelos inteligentes aprenderam

Em vez de depender apenas de fórmulas estatísticas tradicionais, a equipe testou seis métodos diferentes de aprendizado de máquina, que podem revelar padrões complexos nos dados. Uma técnica chamada LASSO ajudou a reduzir muitas variáveis às nove mais informativas. Essas foram: idade, nível educacional, qualidade do sono, doença renal, reumatismo, dor, satisfação com a vida, depressão e histórico de quedas. Entre os seis modelos, um método conhecido como Light Gradient Boosting Machine forneceu as previsões mais precisas, separando corretamente pacientes de maior e menor risco tanto no grupo original quanto em uma onda anterior da pesquisa usada como verificação externa. Para abrir a “caixa-preta” do aprendizado de máquina, a equipe usou uma ferramenta de explicação que mostra quanto cada fator eleva ou reduz o risco de uma pessoa.

Fatores de risco que você pode sentir e modificar

Os resultados da explicação destacaram que idade mais avançada e uma queda no passado foram os sinais de alerta mais fortes, enquanto doença renal, problemas reumáticos, dor e depressão também aumentaram a chance de cair. Por outro lado, mais anos de escolaridade, melhor sono e maior satisfação com a vida tenderam a proteger contra quedas. Notavelmente, pessoas com qualidade de sono apenas moderadamente boa podem estar em risco especialmente alto, talvez porque permaneçam ativas apesar de estarem afetadas por problemas sutis de equilíbrio ou atenção. Muitos desses determinantes são fáceis de questionar em uma consulta clínica ou mesmo em um rastreio comunitário, tornando o modelo prático para profissionais de saúde atarefados.

Da previsão a uma ferramenta web simples

Para ir além da teoria, os autores transformaram seu modelo de melhor desempenho em uma plataforma web fácil de usar. Um clínico ou profissional de saúde pode inserir a idade do paciente, escolaridade, qualidade do sono, estado de humor, dor, presença de doença renal e reumática, satisfação com a vida e histórico de quedas, e receber uma estimativa da chance de cair nos próximos dois anos. Embora a ferramenta não substitua o julgamento médico, ela oferece uma maneira estruturada de identificar pacientes cardiovasculares que podem se beneficiar mais de treinamento de força, checagens de segurança domiciliar, tratamento do humor ou acompanhamento mais próximo.

O que isso significa para a vida cotidiana

Este estudo mostra que o uso inteligente de dados de pesquisas existentes e aprendizado de máquina pode ajudar a identificar pacientes cardiovasculares com maior probabilidade de sofrer uma queda. Ao focar em um pequeno conjunto de fatores compreensíveis, o modelo permanece utilizável em clínicas reais, enquanto ainda captura padrões complexos nos dados. Se aplicado com critério, tais ferramentas podem apoiar planos de prevenção mais personalizados, reduzir quedas perigosas e ajudar pessoas com doença cardíaca a permanecer de pé e manter melhor qualidade de vida à medida que envelhecem.

Citação: Dong, J., Yang, X., Zhang, Z. et al. Development of a web platform for predicting fall risk in cardiovascular patients using machine learning. Sci Rep 16, 15665 (2026). https://doi.org/10.1038/s41598-026-43482-z

Palavras-chave: doença cardiovascular, risco de queda, aprendizado de máquina, idosos, previsão de risco