Aprendizado de máquina sinaliza baixa resiliência em profissionais de saúde com 75% de precisão

Um estudo publicado na Discover Artificial Intelligence testou se o aprendizado de máquina consegue separar profissionais de saúde com alta resiliência psicossocial daqueles com baixa resiliência, e os resultados apontam para um sinal modesto, mas utilizável. A equipe de pesquisa, sediada na Universidad Técnica Particular de Loja, baseou-se em dados de pesquisa coletados nos Estados Unidos durante a pandemia de COVID-19 e comparou três métodos diferentes de classificação entre si.

O enquadramento é um afastamento deliberado de grande parte da literatura existente. A maioria das pesquisas sobre a saúde mental de profissionais de saúde concentra-se em desfechos negativos, como burnout, exaustão emocional e rotatividade. Este estudo, em vez disso, tentou prever uma capacidade positiva: a habilidade de lidar ativamente com o estresse e se recuperar dele. Essa mudança de ênfase importa para a forma como programas de apoio podem eventualmente ser desenhados, porque pergunta o que mantém as pessoas funcionando, e não apenas o que as desgasta.

Três algoritmos, um vencedor claro

A equipe treinou três modelos de classificação no mesmo conjunto de respostas de pesquisa: regressão logística, um classificador random forest e uma máquina de vetores de suporte (SVM). Cada modelo foi solicitado a atribuir os respondentes a um de dois grupos, alta resiliência ou baixa resiliência, e os algoritmos foram então comparados quanto à frequência com que acertavam essa atribuição.

• Regressão logística: 75,6% de precisão, com área sob a curva ROC de 0,816
• Random forest: 72,6% de precisão
• Máquina de vetores de suporte: 70,8% de precisão

A regressão logística produziu os resultados mais fortes. A área sob a curva ROC é uma medida de quão bem um modelo separa duas classes em todos os possíveis limiares de decisão, e um valor de 0,816 indica discriminação razoavelmente boa, embora fique bem aquém da perfeição. Notavelmente, o mais simples dos três métodos superou as duas alternativas mais elaboradas, um padrão que aparece regularmente em dados tabulares de pesquisa, nos quais as relações entre variáveis são amplamente lineares e a amostra tem tamanho moderado.

De onde vieram os dados de treinamento

Modelos precisam de exemplos para aprender. Os pesquisadores usaram o conjunto de dados How Right Now Mental Health & Coping, coletado pela NORC da Universidade de Chicago entre 2021 e 2022. Ele contém respostas de 2.055 pessoas nos Estados Unidos, coletadas durante um período da pandemia em que hospitais e clínicas operavam sob pressão sustentada, escassez de pessoal e demanda incomumente alta de pacientes.

Construindo um índice de resiliência

Antes que qualquer modelo pudesse ser treinado, os pesquisadores precisavam de algo mensurável para prever. Eles construíram um índice de resiliência a partir de quatro variáveis psicométricas: a própria resiliência, a capacidade de se recuperar, controle e confiança. Esses componentes foram combinados e depois divididos em dois níveis usando a mediana como ponto de corte, produzindo um alvo binário de alta versus baixa resiliência para cada respondente. A divisão pela mediana garante um conjunto equilibrado de classes, o que mantém as métricas de precisão comparáveis entre os modelos, embora também signifique que os dois grupos são definidos em relação um ao outro, e não contra um limiar clínico absoluto.

O que prediz baixa resiliência

Quando os modelos foram inspecionados para ver quais entradas tinham mais peso, três fatores dominaram. O estresse foi o contribuinte mais forte, com peso de 0,182, seguido por depressão, com 0,160, e ansiedade, com 0,145. Desesperança e mudanças nos padrões de sono vieram em seguida, completando um conjunto de variáveis que, juntas, sinalizavam maior probabilidade de pertencer ao grupo de baixa resiliência.

A ordenação é intuitiva, mas ainda assim informativa. Ela sugere que o fardo acumulado de sofrimento, e não qualquer sintoma isolado, molda se um profissional de saúde mantém os recursos psicológicos necessários para continuar lidando com as dificuldades. Abordagens de triagem construídas com esse tipo de ponderação poderiam, em princípio, sinalizar as pessoas cuja combinação de estresse, humor deprimido e ansiedade as coloca em maior risco, antes que esse risco se traduza em burnout ou saída da profissão.

Estratégias de enfrentamento parecem se acumular

Comportamentos de enfrentamento entraram no modelo com pesos individuais menores, mas foram consistentemente associados a maior resiliência. Buscar apoio social, praticar hobbies, oração e meditação apontaram todos na mesma direção, sugerindo que esses hábitos acompanham maior resiliência, mesmo que contribuam menos para a predição do que as variáveis relacionadas ao sofrimento.

Mais marcante foi como esses comportamentos se combinavam. Os pesquisadores descobriram que o efeito parecia cumulativo: respondentes que relataram usar várias estratégias de enfrentamento ao mesmo tempo tinham, em média, escores de resiliência mais altos do que aqueles que dependiam de apenas uma. Esse padrão sugere que a amplitude pode importar tanto quanto a intensidade quando se trata de hábitos protetores. É também o tipo de achado que uma pesquisa de instantâneo único não consegue explicar completamente, já que um desenho transversal não pode estabelecer se as estratégias produziram os escores mais altos ou se pessoas já resilientes eram simplesmente mais propensas a adotá-las.

Limites das evidências

Os autores são francos sobre os limites de seus resultados. Os dados capturam um único ponto no tempo, em vez de acompanhar indivíduos ao longo de meses ou anos, de modo que o estudo não pode mostrar como a resiliência sobe ou desce, nem qual é a direção da relação com os comportamentos de enfrentamento. Todas as medições baseiam-se em autorrelatos dos participantes, que podem ser moldados por humor, memória e expectativas sociais. E a amostra é inteiramente dos Estados Unidos.

Essas restrições limitam até onde as conclusões podem ser estendidas a outros sistemas de saúde, incluindo os da América Latina, onde condições de trabalho, modelos de pessoal, estruturas salariais e atitudes culturais em relação à saúde mental podem ser diferentes. Um modelo treinado com respondentes de um país não é automaticamente transferível para outro, mesmo quando os conceitos psicológicos subjacentes são semelhantes.

Os próximos passos propostos

A equipe de pesquisa traça um caminho claro a seguir. Primeiro, validar o modelo com profissionais de saúde na América Latina para testar se os mesmos preditores se mantêm em um mercado de trabalho e contexto de sistema de saúde diferentes. Segundo, enriquecer os dados de entrada com medidas adicionais, como dados de sono ou indicadores fisiológicos, que poderiam complementar as respostas autorrelatadas e reduzir a dependência do estudo de avaliações subjetivas.

Se essa validação for bem-sucedida, a abordagem poderia apoiar algo mais prático do que um achado de pesquisa: uma forma de identificar quais membros da equipe podem se beneficiar mais de apoio, e quais combinações de estratégias de enfrentamento parecem protegê-los. Os autores evitam afirmar que o modelo está pronto para implantação, e os números de precisão justificam essa cautela.

Por que o resultado importa

As forças de trabalho da saúde absorveram uma pressão enorme nos últimos anos, e a decisão de modelar a resiliência em vez de apenas o déficit é significativa. Uma taxa de precisão de 75,6% não é uma ferramenta diagnóstica, e os pesquisadores não a apresentam como tal. Mas ela sugere que respostas de pesquisa coletadas rotineiramente contêm um padrão aprendível, que uma regressão logística direta consegue ler pelo menos tão bem quanto alternativas mais pesadas de aprendizado de máquina. Para sistemas de saúde que avaliam como direcionar recursos escassos de saúde mental, esse é um sinal que vale a pena validar mais.

Este artigo é baseado em reportagem do Medical Xpress. Leia o artigo original.