Modelos guiados clinicamente ou modelos foundation? prevendo mielopatia espondilótica cervical a partir de prontuários eletrônicos

Por que identificar esse problema da coluna mais cedo é importante

A mielopatia espondilótica cervical (MEC) é um termo complicado, mas, para muitos idosos, ela representa uma ameaça silenciosa à medula espinhal. Pode começar com atrapalhamento nas mãos, uma marcha arrastada ou problemas no banheiro e progredir gradualmente para incapacidade severa ou até paralisia. Os médicos frequentemente a deixam passar por anos porque os sinais são sutis e se parecem com problemas mais comuns, como artrite ou síndrome do túnel do carpo. Este estudo faz uma pergunta atual: padrões enterrados em prontuários eletrônicos podem ajudar a sinalizar pessoas em risco de MEC anos antes do diagnóstico formal, e que tipo de inteligência artificial (IA) é mais adequado para essa tarefa?

Uma condição oculta em uma população que envelhece

A MEC ocorre quando o desgaste relacionado à idade estreita o canal vertebral no pescoço e comprime a medula espinhal. A condição é comum em idosos; exames do pescoço mostram compressão medular em cerca de um terço das pessoas com mais de 60 anos, e uma parte substancial delas desenvolverá sintomas. Ainda assim, estudos sugerem que os pacientes muitas vezes esperam entre dois e seis anos entre os primeiros sinais e o diagnóstico correto, perdendo tempo precioso em que cirurgia ou outras intervenções poderiam prevenir dano permanente. À medida que as populações envelhecem e clínicos de atenção primária enfrentam consultórios lotados e pouca exposição a distúrbios da coluna, cresce a necessidade de métodos escaláveis para detectar a MEC precocemente.

Transformando prontuários médicos em um sistema de alerta precoce

Os prontuários eletrônicos modernos capturam um rastro detalhado de diagnósticos, exames laboratoriais, procedimentos e consultas. Os pesquisadores raciocinaram que esse rastro provavelmente contém pistas da MEC precoce — como quedas repetidas, exames de condução nervosa ou fisioterapia — muito antes de alguém solicitar imagens especializadas da coluna. Eles reuniram dados de aproximadamente 2 milhões de pacientes em dois grandes conjuntos de dados dos EUA: um banco nacional de sinistros de seguros e os registros de um sistema de saúde regional. Dentro desses, identificaram dezenas de milhares de pessoas que eventualmente receberam um diagnóstico de MEC e as parearam com pacientes semelhantes que não receberam, criando um ambiente de testes em grande escala para ver se a IA poderia prever quem mais tarde seria diagnosticado com MEC em janelas de previsão que variaram de 6 a 30 meses.

IA geral de grande porte versus ferramentas enxutas e guiadas clinicamente

A equipe comparou vários tipos de modelos de aprendizado de máquina que processam dados de prontuários eletrônicos. Em uma ponta estavam grandes “modelos foundation” — sistemas poderosos baseados em transformers originalmente treinados em milhões de registros de pacientes para aprender padrões gerais nos dados de saúde. Na outra estavam modelos menores construídos apenas a partir de uma lista concisa de 497 códigos de diagnóstico, procedimento e medicação selecionados à mão por especialistas em coluna como altamente relevantes para MEC. Os pesquisadores mediram o desempenho usando estatísticas adequadas para doenças raras, perguntando o quanto cada modelo se saia melhor do que a adivinhação aleatória ao identificar pacientes que mais tarde desenvolveriam MEC em diferentes janelas de previsão.

Precisão em casa, confiabilidade na estrada

Quando os modelos foram treinados e testados dentro do mesmo grande e diversificado conjunto de seguros, o maior modelo foundation normalmente apresentou o melhor desempenho, alcançando até cerca de seis a sete vezes a precisão de um classificador não informativo. No entanto, o quadro mudou quando os modelos foram avaliados no sistema de saúde independente. Lá, os modelos mais simples, guiados clinicamente, geralmente superaram os transformers complexos e, em alguns casos, atingiram desempenho até 13 vezes melhor que o acaso ao prever quais pacientes receberiam em breve um diagnóstico de MEC. Um experimento reverso — treinar no sistema de saúde único e testar no conjunto nacional — contou uma história semelhante: modelos menores e focados clinicamente tendiam a se adaptar melhor entre instituições. Análises por subgrupos também revelaram que todos os modelos funcionaram melhor para pacientes com consultas médicas mais frequentes, levantando questões sobre equidade para aqueles que consultam médicos com menos frequência.

O que isso significa para pacientes e médicos

Os achados sugerem que a IA poderia ajudar a sinalizar pessoas com alto risco de MEC até dois anos e meio antes do diagnóstico, potencialmente orientando clínicos a realizar exames neurológicos e imagens da coluna mais cedo. Ainda assim, o estudo também destaca um trade-off: enquanto modelos de IA grandes e sofisticados podem se destacar nos dados em que foram treinados, modelos menores, cuidadosamente desenhados e fundamentados na expertise clínica podem ser mais confiáveis ao serem implantados em novos hospitais e populações de pacientes. Para os pacientes, a conclusão é esperançosa, mas matizada: o uso inteligente de dados de rotina pode encurtar a longa odisseia diagnóstica enfrentada por muitos com MEC, mas o sucesso dependerá não só de algoritmos poderosos, mas também de projeto criterioso de modelos, testes cuidadosos em ambientes diversos e atenção à equidade para que os benefícios da detecção precoce sejam amplamente compartilhados.

Citação: Yakdan, S., Warner, B., Ghogawala, Z. et al. Clinically-guided models or foundation models? predicting cervical spondylotic myelopathy from electronic health records. npj Digit. Med. 9, 153 (2026). https://doi.org/10.1038/s41746-026-02337-7

Palavras-chave: mielopatia espondilótica cervical, prontuários eletrônicos, aprendizado de máquina, modelos foundation, diagnóstico precoce