Modelo de aprendizado de máquina estratifica risco de perda auditiva em recém-nascidos de alto risco

Em 270 lactentes triados em um centro turco, o XGBoost acertou 85,2% dos casos e teve AUC de 87,1%, com tempo de UTI neonatal e histórico familiar como preditores principais.

Um estudo retrospectivo de um único centro em Ankara, na Turquia, avaliou se algoritmos de aprendizado de máquina conseguem prever perda auditiva em recém-nascidos que já passaram na triagem inicial mas acumulam fatores de risco clínicos. Foram analisados 270 lactentes avaliados entre 2021 e 2025, 105 com perda auditiva e 165 com audição normal. Cinco modelos foram comparados, e o XGBoost teve o melhor desempenho, com 85,2% de acurácia e AUC de 87,1%. A análise SHAP apontou o tempo de internação em UTI neonatal (30,7% da importância) e o histórico familiar positivo (20,3%) como os preditores mais influentes. Os autores desenvolveram ainda uma ferramenta web de apoio à decisão clínica e ressaltam que ela não substitui a triagem auditiva universal.

Contexto

A perda auditiva é uma das deficiências sensoriais mais comuns, e a Organização Mundial da Saúde estima que até 5 em cada 1.000 bebês nasçam com perda auditiva neurossensorial ou desenvolvam perda grave a profunda no início da infância. O diagnóstico e a intervenção precoces, guiados pela triagem auditiva neonatal, reduzem o impacto sobre linguagem, aprendizagem e comunicação; o Joint Committee on Infant Hearing recomenda a diretriz 1–3–6 (triagem no primeiro mês, diagnóstico aos 3 meses, intervenção aos 6 meses) e lista prematuridade, baixo peso, internação prolongada em UTI neonatal, suporte respiratório, medicamentos ototóxicos, hiperbilirrubinemia e anomalias craniofaciais como fatores de risco. Os autores argumentam que a perda auditiva neonatal costuma resultar da interação complexa e não linear de múltiplas variáveis, e que métodos estatísticos tradicionais, focados em fatores isolados ou relações lineares, têm limites para modelar esses dados multidimensionais. Em cenários com recursos restritos, estratificar o risco dentro do subgrupo de alto risco ajudaria a priorizar o seguimento diagnóstico.

Como foi feito

Estudo retrospectivo conduzido na Unidade de Audiologia, Equilíbrio e Distúrbios da Fala da Faculdade de Medicina da Universidade de Ankara, na Turquia, com casos avaliados entre 2021 e 2025 no programa de triagem auditiva neonatal. Todos os participantes fizeram timpanometria, emissões otoacústicas e potencial evocado auditivo de tronco encefálico (ABR) de triagem; o ABR diagnóstico confirmou o status auditivo dos que falharam na triagem, e perda auditiva neurossensorial bilateral com limiar ≥ 35 dB foi definida como clinicamente significativa. Foram incluídos lactentes com registros completos, timpanograma tipo A e dados completos de fatores de risco; de 390 registros iniciais, 120 (31%) foram excluídos por seguimento diagnóstico incompleto ou dados faltantes, e a análise de padrão de dados faltantes (teste MCAR de Little, p > 0,05) sustentou a análise de casos completos. Foram comparados cinco modelos (Random Forest, XGBoost, CatBoost, K-nearest neighbors e regressão logística), com divisão treino-teste de 80/20, validação cruzada estratificada de 5 folds, otimização de hiperparâmetros aninhada aos folds de treino e balanceamento de classes; o desempenho foi medido por acurácia, precisão, recall, F1 e AUC, e a interpretabilidade foi avaliada por SHAP. Uma ferramenta web foi construída na plataforma Streamlit com o modelo XGBoost pré-treinado.

O que encontraram

O XGBoost teve a maior acurácia entre os modelos, 85,2%, com AUC de 87,1%. Para a classe com perda auditiva, a precisão foi de 78,3%, o recall de 85,7% e o F1 de 81,8%; para audição normal, 90,3%, 84,8% e 87,5%, respectivamente. As demais métricas do modelo ficaram entre 78,3% e 87,1%, e a acurácia dos outros algoritmos variou de 75,9% a 83,3% — o Random Forest teve acurácia de 79,6% com AUC de 90,3%, o CatBoost 83,3% com AUC de 86,1%, a regressão logística 77,8% com AUC de 88,0% e o KNN 75,9% com AUC de 85,5%.

Na análise SHAP, o tempo de internação em UTI neonatal respondeu por 30,7% da contribuição ao modelo e o histórico familiar positivo por 20,3%. Os autores observam que prematuridade, baixo peso e fototerapia receberam importância estrutural próxima de zero, o que atribuem à colinearidade com idade gestacional e duração da internação — riscos que, em recém-nascidos com curso clínico grave, ocorrem de forma cumulativa e são absorvidos por esses marcadores contínuos.

No conjunto de teste independente, 5 lactentes com perda auditiva confirmada foram classificados como normais (falsos negativos). A revisão desses registros mostrou um fenótipo distinto: histórico familiar positivo isolado, sem complicações sistêmicas graves, com peso ao nascer normal, idade gestacional padrão e pouca ou nenhuma internação em UTI neonatal. Para reduzir esse risco, a ferramenta web define uma faixa de risco moderado entre 20,0% e 49,9%, abaixo do limiar binário de 50% do modelo, na qual os lactentes são considerados candidatos a monitoramento audiológico próximo em vez de interpretados como normais.

Limitações

Os autores reconhecem que o estudo usou dados retrospectivos de um único centro, com amostra relativamente limitada e sem coorte de validação externa, e que o desequilíbrio entre as classes pode ter influenciado o desempenho dos modelos. O conjunto de teste independente tinha apenas 54 casos, o que impõe restrições à comparação de variância entre modelos. A natureza retrospectiva do registro também levou à operacionalização de variáveis com gradiente biológico contínuo, como baixo peso e uso de medicação na gestação, como indicadores binários. Os próprios autores classificam os achados como evidência preliminar de viabilidade.

Para o pediatra

O estudo descreve uma população de recém-nascidos que passaram na triagem auditiva inicial mas acumulavam fatores de risco, dos quais os mais frequentes na coorte foram hiperbilirrubinemia (123 de 270), fototerapia (68), uso de medicação na gestação (102) e casamento consanguíneo (29); histórico familiar positivo ocorreu em 23. Nesse grupo, a duração da internação em UTI neonatal e o histórico familiar foram os elementos que mais pesaram na predição de perda auditiva, enquanto prematuridade e baixo peso, isoladamente, tiveram pouca contribuição no modelo por estarem correlacionados com a idade gestacional e o tempo de UTI. Os autores reforçam que a triagem auditiva universal continua sendo a estratégia mais eficaz de detecção e que a ferramenta se destina a apoiar a priorização do seguimento diagnóstico, não a substituí-la.

Para o especialista

O estudo compara cinco algoritmos em dados clínicos reais de um registro de triagem, com otimização de hiperparâmetros aninhada, validação cruzada estratificada e interpretação por SHAP, e disponibiliza uma calculadora web que converte a probabilidade prevista em escore de 0 a 100 e em categorias de risco (baixo < 20%, moderado 20,0%–49,9%, alto ≥ 50%). O ponto de maior interesse prático é a análise dos falsos negativos: lactentes com histórico familiar isolado e perfil sistêmico limpo ficaram abaixo do limiar de 50%, o que motivou a criação da faixa moderada. A decisão de indicar seguimento audiológico próximo nessa faixa, porém, apoia-se em um modelo retrospectivo, de centro único, sem validação externa, e os próprios autores condicionam a incorporação à confirmação em estudos prospectivos multicêntricos.

Referência

Kutlu S, Söylemez E, Temir B et al.. Machine Learning-Based Risk Stratification Tool for Hearing Loss in High-Risk Neonates. Laryngoscope 2026.

DOI: 10.1002/lary.70861 · PubMed: 42661249

Texto completo gratuito: doi.org, licença CC BY-NC.

Matéria escrita pelo Fôlego a partir do texto completo em acesso aberto.