Manutenção do Apoio à Decisão Clínica Preditiva em Saúde Mental contra Mudança Temporal

O que aconteceu

A predição de risco baseada no registro eletrônico de saúde (REH) oferece oportunidades de intervenção precoce em saúde mental, mas modelos podem permanecer em uso como populações de pacientes, práticas de cuidado e mudança de documentação. Tais mudanças temporais podem reduzir o desempenho preditivo, enquanto a atualização de modelos a partir de dados recentes por si só pode ser instável quando desfechos adversos são incomuns. Desenvolvemos o Adversarial Drift-Aware Predictive Transfer (ADAPT), uma abordagem distribuídamente robusta para melhorar a durabilidade temporal da predição de risco à saúde mental. O ADAPT utiliza variação em modelos estimados a partir de períodos de calendário anteriores para caracterizar mudanças plausíveis nas relações preditoras-resultados. Dados do período atual restringem quais padrões históricos permanecem relevantes, permitindo que o método busque robustez contra turnos subsequentes, preservando simultaneamente a discriminação contemporânea. Avaliamos retrospectivamente o ADAPT utilizando EHRs de 889.445 pacientes com diagnóstico de saúde mental no Mass General Brigham e no Sistema de Saúde da Universidade Duke, abrangendo a predição de risco de um ano para 28 desfechos. Nas piores comparações de 20% de par ano-ano, ADAPT melhorou AUC sobre todos os comparadores em 0,016-0,036 em Mass General Brigham, 0,011-0,018 em Duke, e 0,008-0,037 após o transporte. Para a previsão da tentativa de suicídio, a AUC contemporânea no Mass General Brigham foi de 0,82 em comparação com 0,80 para o melhor comparador. A degradação relativa da AUC em oito anos foi de 7,7%, em comparação com 12,1% para o treino de dados agrupados. Esses resultados sugerem que informações de turnos temporais anteriores podem melhorar a robustez para futuras mudanças sem sacrificar o desempenho preditivo dos pacientes atuais.