Docente Universitário, Doutorado em Bioengenharia e Aluno de Medicina

Modelos de Previsão de Risco de AVC com Paridade Racial

A previsão de risco para eventos cerebrovasculares tem-se consolidado como uma ferramenta central na prática clínica contemporânea, assumindo especial importância nos contextos de prevenção primária e estratificação de risco cardiovascular. No entanto, a equidade dessas previsões permanece largamente por resolver, sobretudo em populações racialmente diversas, onde os modelos tradicionais demonstram desempenho diferencial. A presente investigação avaliou uma abordagem baseada em representação latente com restrição de paridade racial, comparando-a com a estratégia mais comum de exclusão da variável raça dos modelos preditivos. Utilizando dados harmonizados de quatro grandes coortes norte-americanas (Framingham Offspring, ARIC, MESA e REGARDS), Engelhard et al.¹ desenvolveram um modelo de previsão temporal baseado em redes neuronais, capaz de ajustar o grau de disparidade entre grupos raciais a partir da distribuição dos vetores latentes gerados pelo modelo.

A justificação clínica para esta abordagem reside na persistência de disparidades na incidência e prognóstico do AVC entre indivíduos brancos e negros, que não são explicadas unicamente por variáveis clínicas tradicionais. As métricas de desempenho mostraram que, em modelos tradicionais, a capacidade discriminativa é sistematicamente superior em brancos, com diferenças marcadas nos índices de concordância intergrupos (xCI), sugerindo um enviesamento estrutural na priorização de risco.

A introdução de uma restrição de paridade baseada na métrica estatística Maximum Mean Discrepancy (MMD) permitiu reduzir essa assimetria: a diferença absoluta nos xCI entre os grupos Black-White e White-Black passou de 0.34 nos modelos Cox tradicionais para apenas 0.03 no modelo com paridade. Este efeito foi replicado num conjunto de validação independente (REGARDS), reforçando a robustez da abordagem.

Importa salientar que o ganho em paridade discriminativa teve como contrapartida uma penalização na calibração intragrupo. O modelo com restrição de paridade subestimou o risco em doentes negros, como evidenciado pela inclinação de calibração superior a 1 (slope = 1.29; IC 95%: 0.82-1.75), em oposição ao sobrestimar observado nos modelos tradicionais.

Esta inversão do erro sistemático reabre o debate ético sobre a aplicação de técnicas de fairness algorítmica: enquanto a paridade na ordenação de risco entre grupos é um objetivo legítimo, a penalização do reconhecimento preciso do risco individual pode traduzir-se em atraso ou ausência de intervenção, agravando o desfecho clínico precisamente no grupo que se pretende proteger.

Os modelos race-free, que excluem a variável raça como preditor explícito, demonstraram capacidade parcial de mitigar disparidades, mas não anularam a diferença nos xCI. Este resultado confirma que a associação entre raça e risco não é removida com a simples exclusão da variável

Este estudo constitui um contributo relevante para a literatura emergente sobre justiça algorítmica em saúde, demonstrando que a equidade não é apenas uma questão de variáveis presentes ou ausentes, mas de como o modelo internaliza, representa e redistribui a informação clínica de forma diferencial entre grupos.

¹ Engelhard, M., Wojdyla, D., Wang, H., Pencina, M., & Henao, R. (2025). Exploring trade-offs in equitable stroke risk prediction with parity-constrained and race-free models. Artificial Intelligence in Medicine, 164, 103130

Artigo relacionado