Predição de reações cutâneas adversas a antibióticos usando modelos fundamentais de prontuário eletrônico

Por que prever erupções medicamentosas importa

Quem já desenvolveu uma erupção após tomar um remédio sabe o quão alarmante isso pode ser. Na maior parte das vezes, essas reações cutâneas são leves e desaparecem sozinhas. Mas, em casos raros, podem evoluir para condições potencialmente fatais que comprometem extensas áreas da pele e exigem cuidado intensivo. Os antibióticos estão entre os medicamentos mais frequentemente associados a essas reações, e ainda hoje os médicos não têm um modo confiável de saber antecipadamente quais pacientes correm maior risco. Este estudo investiga se padrões ocultos em registros hospitalares rotineiros podem ajudar a prever quem provavelmente desenvolverá uma reação cutânea relacionada a antibióticos antes que ela ocorra.

Reações cutâneas causadas por medicamentos

Problemas na pele são o efeito colateral visível mais comum de medicamentos. Eles variam de manchas vermelhas com coceira até distúrbios perigosos, como síndrome de Stevens–Johnson e necrólise epidérmica tóxica, que podem ser fatais. Antibióticos, especialmente classes amplamente usadas como as penicilinas e fármacos relacionados, costumam ser desencadeadores. Embora essas reações graves sejam raras, qualquer reação medicamentosa séria pode prolongar a internação, aumentar custos e, nos piores casos, levar à morte. Apesar desse impacto, não existe um teste de triagem padrão que os hospitais possam aplicar a todos os pacientes para prever reações cutâneas adversas a medicamentos, particularmente as associadas a antibióticos.

Transformando registros hospitalares em pistas

Hospitais modernos armazenam enormes volumes de informação em prontuários eletrônicos: diagnósticos, resultados de exames de sangue, prescrições e procedimentos, muitas vezes registrados ao longo de anos. Neste estudo, os pesquisadores trataram essas longas sequências de códigos médicos como linhas de texto em um documento. Eles usaram “modelos fundamentais” derivados da tecnologia de linguagem—sistemas que aprendem padrões gerais a partir de grandes conjuntos de dados e que podem ser ajustados para tarefas específicas. A equipe analisou registros de mais de 800.000 pacientes adultos internados em três grandes hospitais sul-coreanos que permaneceram pelo menos três dias e receberam antibióticos. Para detectar reações cutâneas de forma confiável, não se basearam apenas em códigos de diagnóstico; também mineraram notas de enfermagem e declarações estruturadas de enfermagem que registravam observações como presença de erupção ou urticária.

Construção e teste do modelo preditivo

Os pesquisadores compararam várias abordagens, desde métodos clássicos de aprendizado de máquina, como florestas aleatórias, até redes profundas e três diferentes modelos fundamentais para registros de saúde. Para cada paciente, os modelos foram solicitados a decidir, no momento da última prescrição de antibiótico, se uma reação cutânea ocorreria em curto prazo. Entre todos os métodos, um modelo chamado CDM-BERT, adaptado especificamente ao formato de dados comum usado pelos hospitais, teve o melhor desempenho. Ele distinguiu corretamente casos futuros de erupção de não-casos com precisão muito alta no hospital onde foi treinado, e manteve forte desempenho quando aplicado, sem ajustes adicionais, aos outros dois hospitais cujos dados eram um pouco diferentes.

O que o modelo aprendeu sobre risco

Para verificar se o modelo estava considerando informações medicamente relevantes em vez de ruído aleatório, a equipe examinou quais partes do prontuário mais influenciavam suas decisões. Foi atribuída maior importância a condições conhecidas por estarem associadas a reações a medicamentos—como câncer, doença renal crônica e doença hepática crônica—e a certas categorias de fármacos, incluindo antibióticos e anticonvulsivantes. Curiosamente, em um hospital onde os códigos de medicamentos não correspondiam aos do local de treinamento, o modelo ainda funcionou bem ao depender mais de resultados laboratoriais e histórico de doenças, mostrando que podia se adaptar a diferentes ambientes de dados. Os pesquisadores também dividiram as reações em “imediatas” (ocorrendo logo após uma dose) e “tardias” (surgindo após exposição mais prolongada). O modelo mostrou-se mais confiante e estável ao prever reações tardias, que atualmente são as mais difíceis de antecipar com testes tradicionais.

Limites, desafios e próximos passos

Embora o desempenho do modelo seja promissor, ele ainda não identifica qual antibiótico exato é o culpado, nem consegue separar erupções leves das raras, porém devastadoras, reações cutâneas graves que exigem atendimento especializado urgente. O estudo também envolveu hospitais de um único país, e houve contratempos técnicos, como diferenças em sistemas de codificação de medicamentos e a necessidade de buscas baseadas em regras em relatórios de enfermagem em texto livre. Além disso, traduzir os padrões internos de “atenção” do modelo em regras clínicas simples continua difícil, e a abordagem concentrou-se principalmente em problemas cutâneos relativamente leves, em vez do espectro completo de reações graves.

O que isso significa para pacientes e clínicos

Este trabalho mostra que, ao combinar cuidadosamente dados rotineiros hospitalares com observações de enfermagem, modelos computacionais avançados podem estimar o risco de um paciente desenvolver uma reação cutânea relacionada a antibióticos, especialmente reações de aparecimento mais lento que carecem de testes laboratoriais confiáveis. Na prática, tal ferramenta poderia ajudar médicos a identificar pacientes de maior risco para monitoramento mais próximo, escolhas alternativas de medicamentos ou dosagem mais cautelosa, enquanto a maioria dos pacientes continuaria a receber o cuidado padrão. O estudo representa um passo para transformar o “excesso digital” da prática médica cotidiana em uma rede de segurança que capture reações medicamentosas graves mais cedo, potencialmente prevenindo danos antes que apareçam na pele.

Citação: Kim, J., Kim, K., Yun, JE. et al. Prediction of antibiotic-associated cutaneous adverse drug reactions using electronic health record foundation models. npj Digit. Med. 9, 311 (2026). https://doi.org/10.1038/s41746-026-02503-x

Palavras-chave: efeitos colaterais de antibióticos, erupção cutânea induzida por fármacos, prontuários eletrônicos, predição médica por IA, reações adversas a medicamentos