Por que prever a hemoglobina pós-parto?

A hemorragia pós-parto permanece como a principal causa de morbimortalidade materna no mundo. O grande desafio clínico não é apenas reconhecer o sangramento quando ele ocorre, mas identificar precocemente quais pacientes têm maior probabilidade de apresentar queda significativa da hemoglobina após o parto.

Essa antecipação permite:

É nesse contexto que modelos preditivos baseados em inteligência artificial passam a despertar interesse crescente na obstetrícia.

Como o estudo foi realizado?

Trata-se de uma coorte retrospectiva conduzida em dois centros, com 1.974 gestantes. Os critérios de inclusão foram:

O desfecho principal analisado foi a hemoglobina aferida 24 horas após o parto. Casos obstétricos complexos foram excluídos, o que deve ser considerado ao interpretar os resultados.

Quais variáveis foram mais importantes?

Os algoritmos de Machine Learning identificaram cinco variáveis como os principais preditores da hemoglobina pós-parto:

  1. Hemoglobina pré-parto — de longe, a variável de maior relevância no modelo
  2. Fibrinogênio sérico
  3. Idade gestacional
  4. Contagem de plaquetas
  5. Paridade
Achado relevante: tipo de parto
Embora o tipo de parto (cesárea versus vaginal) apresente associação com perda sanguínea nas análises convencionais, ele não permaneceu entre os principais preditores nos modelos finais de Machine Learning. Isso ilustra como algoritmos de IA são capazes de identificar relações mais complexas e não lineares do que as abordagens estatísticas tradicionais.

Qual algoritmo teve melhor desempenho?

Cinco algoritmos foram comparados quanto à capacidade de prever a hemoglobina pós-parto:

Algoritmo RMSE R²
Rede Neural Artificial (ANN) 0,62 0,76
XGBoost 0,67 0,71
SVM (Support Vector Machine) 0,70 0,68
Árvore de Regressão 0,74 0,64
Regressão Linear 0,79 0,59
A Rede Neural Artificial apresentou RMSE de 0,62 e R² de 0,76, sendo o modelo com maior precisão preditiva entre os algoritmos avaliados.

O papel do fibrinogênio

O fibrinogênio chamou atenção por figurar entre os cinco principais preditores do modelo. Do ponto de vista prático, trata-se de um exame:

Sua inclusão no modelo reforça que parâmetros da coagulação têm papel relevante na estimativa da perda sanguínea pós-parto, o que já era sugerido por estudos anteriores sobre coagulopatia associada à hemorragia obstétrica.

Aplicação prática: a calculadora online

Com base na Rede Neural Artificial, os pesquisadores desenvolveram uma calculadora online acessível publicamente. A ferramenta estima a hemoglobina esperada 24 horas após o parto e emite alerta quando a hemoglobina prevista for inferior a 8 g/dL, sinalizando elevada probabilidade de necessidade de transfusão.

A calculadora está disponível em: predictivecalculators.shinyapps.io/ANN-HB

Como a calculadora pode ser útil?
A estimativa pré-parto da hemoglobina esperada pode orientar a equipe na definição do nível de monitorização necessário, no preparo de hemocomponentes e na priorização de recursos em contextos com alta demanda assistencial.

Limitações que precisam ser consideradas

Os próprios autores destacam pontos importantes antes de qualquer incorporação à prática clínica:

O modelo deve ser compreendido, neste momento, como uma prova de conceito. Ele não substitui o julgamento clínico nem a avaliação individualizada da paciente.

Conclusão

Take Home Message
Uma Rede Neural Artificial conseguiu prever a hemoglobina 24 horas após o parto com R² de 0,76, utilizando apenas cinco variáveis clínicas e laboratoriais: hemoglobina pré-parto, fibrinogênio, idade gestacional, contagem de plaquetas e paridade. O tipo de parto não figurou entre os principais preditores nos modelos de Machine Learning. Se validada prospectivamente em diferentes populações, essa estratégia poderá contribuir para identificar precocemente pacientes com maior risco de anemia pós-parto e otimizar o preparo das equipes obstétricas. Por ora, trata-se de uma ferramenta de apoio à decisão clínica, e não de substituição do raciocínio médico.

Referência: Mansourian M, et al. Prediction of postpartum hemoglobin using machine learning algorithms: a retrospective cohort study.