Aprendizado Clássico: do rótulo à descoberta

Regressão, árvores, ensembles, SVM, clustering e fenotipagem computacional

Aprendizado de Máquina para Saúde — Pós-graduação

Abertura: você confiaria na máquina que vê o invisível?

Um algoritmo prevê que seu paciente terá uma parada cardíaca em 2 horas com 98% de precisão, mas não consegue explicar por quê. Você confia?

Sim, se foi validado

Risco alto pode justificar ação preventiva de baixo dano.

Não, se não explica

Sem mecanismo, a equipe pode não saber quando ignorar.

Depende da ação

Monitorar mais é diferente de iniciar tratamento arriscado.

Mensagem central: desempenho e explicação são dimensões diferentes. Em saúde, a escolha do algoritmo depende da decisão clínica que vem depois.

Sugestão visual: três cartões de voto: confiar, não confiar, depende da ação.

Que nível de explicação você exigiria antes de mudar uma conduta clínica?

A aula em uma frase

Mensagem central: ML clássico permite prever o futuro com rótulos e redesenhar o presente quando os rótulos ainda são insuficientes.

O supervisionado aprende a partir de exemplos com resposta: readmissão, mortalidade, complicação. O não supervisionado pergunta se há grupos, trajetórias ou subtipos ainda não reconhecidos.

Exemplo aplicado: prever readmissão em 30 dias é supervisionado; descobrir subtipos de pacientes diabéticos com trajetórias diferentes é não supervisionado.

Seu problema precisa de uma previsão operacional ou de uma descoberta de estrutura clínica?

O arsenal de algoritmos

1 Linear

regressão logística e escores.

→

2 Regras

árvores e ensembles.

→

3 Margens

SVM em alta dimensão.

→

4 Estrutura

clusters, mapas e fenótipos.

Mensagem central: nenhum algoritmo é “melhor” em abstrato; cada um carrega pressupostos, vantagens e modos de falhar.

Sugestão visual: trilha com quatro famílias de métodos.

Quando a simplicidade de um modelo seria uma virtude científica?

Regressão logística: o cavalo de batalha da predição clínica

Mensagem central: a regressão logística continua forte porque transforma variáveis clínicas em risco interpretável.

Ela estima a probabilidade de um evento a partir de uma combinação linear de variáveis. Seus coeficientes podem ser interpretados como odds ratios, o que facilita comunicação, auditoria e construção de escores.

Exemplo aplicado: um escore de risco de readmissão pode usar idade, internações prévias, comorbidades e exames para estimar probabilidade individual.

Sugestão visual: curva logística com variáveis clínicas entrando como coeficientes.

O que você perderia — e o que ganharia — ao escolher um modelo linear?

Steyerberg, Clinical Prediction Models, 2019; Hastie, Tibshirani & Friedman, 2009.

Interpretabilidade: coeficiente não é causalidade

Mensagem central: interpretável não significa causal; coeficientes descrevem associação dentro de um desenho.

Vantagem

Facilita revisão clínica, comunicação e análise de plausibilidade.

Risco

Confundir associação preditiva com efeito causal.

Boa prática

Interpretar junto com desenho, variáveis, população e tempo.

Exemplo aplicado: “uso de insulina prediz complicação” pode refletir gravidade basal, não dano causado pela insulina.

Sugestão visual: placa de alerta: “coeficiente ≠ mecanismo”.

Qual variável do seu projeto seria facilmente interpretada de forma causal por engano?

Árvores e ensembles: quando uma regra vira floresta

Mensagem central: árvores capturam interações e não linearidades; ensembles reduzem instabilidade e aumentam desempenho.

Uma árvore divide pacientes por perguntas sucessivas. Random Forest combina muitas árvores treinadas em amostras diferentes. Boosting treina modelos em sequência, enfatizando erros anteriores.

Exemplo aplicado: em prontuários ruidosos, Random Forest pode ser robusto; XGBoost costuma performar muito bem em tabelas clínicas estruturadas.

Sugestão visual: árvore única, floresta por votação e boosting em sequência.

Quando um ganho pequeno de AUROC justificaria perder interpretabilidade operacional?

Breiman, Machine Learning, 2001; Friedman, Annals of Statistics, 2001; Chen & Guestrin, KDD, 2016.

Random Forest: votar para estabilizar

Mensagem central: Random Forest reduz a variância de árvores individuais ao combinar muitas decisões parcialmente independentes.

Bagging

amostras bootstrap criam árvores diferentes.

Aleatoriedade

subconjuntos de variáveis reduzem correlação entre árvores.

Votação

predição final agrega muitas opiniões fracas.

Cuidado

importância de variável pode ser enviesada por escala, cardinalidade e correlação.

Exemplo aplicado: útil para prever deterioração clínica com sinais vitais, exames e comorbidades quando relações são não lineares.

Sugestão visual: comitê de árvores votando em risco alto/baixo.

Como você explicaria uma decisão de Random Forest para uma equipe assistencial?

Boosting e XGBoost: aprender com os erros

Mensagem central: boosting melhora desempenho ao treinar modelos sucessivos que corrigem erros anteriores.

Sequencial

cada nova árvore foca padrões ainda mal explicados.

Forte em tabelas

frequentemente competitivo em dados clínicos estruturados.

Flexível

captura interações e não linearidades complexas.

Risco

overfitting, leakage e atalhos institucionais podem virar performance ilusória.

Exemplo aplicado: modelos com gradient boosting foram usados para prever complicações em diabetes tipo 2 em grandes bases observacionais, mas sua utilidade depende de validação externa e calibração.

Sugestão visual: sequência de árvores corrigindo erros marcados em vermelho.

Que validação faria você confiar em um XGBoost treinado em 1 milhão de pacientes?

SVM: margem máxima em alta dimensão

Mensagem central: SVM busca uma fronteira que separe classes com a maior margem possível.

Em problemas com muitas variáveis e poucas amostras, como ômicas, a ideia de margem pode ser útil. Kernels permitem fronteiras não lineares, mas também aumentam complexidade e risco de escolha oportunista.

Exemplo aplicado: classificar perfis moleculares de tumores com milhares de genes e poucas dezenas ou centenas de pacientes.

Sugestão visual: dois grupos separados por uma linha e duas margens paralelas.

Quando alta dimensionalidade ajuda a separar grupos — e quando só aumenta risco de overfitting?

Cortes & Vapnik, Machine Learning, 1995.

Não supervisionado: descobrir sem confundir mapa com território

Mensagem central: métodos não supervisionados sugerem estruturas; eles não provam que os grupos são doenças reais.

Clustering

quem se parece com quem?

Redução de dimensão

como visualizar vizinhanças?

Fenotipagem

que subtipos podem orientar prognóstico ou tratamento?

Exemplo aplicado: clusters de pacientes com COVID-19 severa podem ser úteis se predizem evolução, resposta terapêutica ou necessidade de recurso — não apenas se “parecem bonitos” no gráfico.

Sugestão visual: mapa com legenda “hipótese”, não “verdade”.

Que evidência transformaria um cluster em fenótipo clínico útil?

Clustering: a decisão escondida é a distância

Mensagem central: clusterizar é definir uma noção de semelhança entre pacientes.

k-means busca centróides; agrupamento hierárquico constrói uma árvore de proximidade. Mas idade, creatinina, pressão e CID têm escalas e significados diferentes — a distância precisa ser pensada.

Exemplo aplicado: em pacientes internados, agrupar por sinais vitais crus pode separar gravidade aguda; agrupar por trajetórias pode separar evolução clínica.

Sugestão visual: nuvem de pontos coloridos e dendrograma simplificado.

Duas pessoas são “parecidas” por terem exames próximos, diagnóstico semelhante ou resposta terapêutica parecida?

MacQueen, 1967; Hastie, Tibshirani & Friedman, 2009.

t-SNE e UMAP: visualização poderosa, interpretação perigosa

Mensagem central: t-SNE e UMAP ajudam a visualizar vizinhanças locais em dados complexos, mas não substituem validação.

Eles comprimem milhares de variáveis em duas dimensões. A forma global do mapa pode mudar com hiperparâmetros, pré-processamento e amostra. O gráfico é uma hipótese visual.

Exemplo aplicado: mapear expressão gênica de tumores pode sugerir subgrupos moleculares, que precisam ser validados por prognóstico, biologia e resposta ao tratamento.

Sugestão visual: alta dimensão entrando em um funil e saindo como mapa 2D colorido.

Que análise você faria depois de ver dois grupos separados em UMAP?

van der Maaten & Hinton, JMLR, 2008; McInnes, Healy & Melville, 2018.

Fenotipagem computacional: redefinir doenças com cuidado

Mensagem central: fenotipagem computacional propõe subtipos que podem atravessar categorias tradicionais.

A promessa é encontrar grupos com prognóstico, mecanismo ou resposta terapêutica diferentes. O perigo é reificar clusters instáveis como se fossem doenças naturais.

Exemplo aplicado: diabetes tipo 2 e glioblastoma já foram reestratificados por subtipos com perfis clínicos e moleculares distintos, apontando caminhos para medicina de precisão.

Sugestão visual: dados multimodais entrando em algoritmo e saindo em subtipos A, B e C.

Um subtipo deve ser definido por semelhança estatística, mecanismo biológico ou resposta ao tratamento?

Ahlqvist et al., Lancet Diabetes & Endocrinology, 2018; Verhaak et al., Cancer Cell, 2010.

Exemplos aplicados: sucesso exige contexto

Mensagem central: os algoritmos clássicos são úteis quando desenho, validação e interpretação acompanham a modelagem.

Diabetes tipo 2

Boosting para prever complicações em grandes bases: útil se calibrado e validado externamente.

Lúpus

Integração clínica e molecular para encontrar perfis de atividade e resposta.

COVID-19 severo

Fenótipos computacionais podem inferir gravidade quando dados diretos de UTI faltam, mas exigem auditoria de proxies.

Sugestão visual: três cartões: previsão, subtipo molecular, fenótipo por proxy.

Qual desses exemplos depende mais da qualidade do rótulo — e qual depende mais da estabilidade do cluster?

Zhao et al., BMJ Open Diabetes Research & Care, 2020; Banchereau et al., Cell, 2016.

Atividade: o desafio da subtipagem

Cenário: vocês recebem dados de 100 pacientes: sinais vitais, exames, códigos CID. Metade tem rótulo de readmissão; metade não tem rótulo.

1

Classificação

O problema rotulado pede risco de readmissão?

2

Clustering

Há subgrupos clínicos que valem investigar?

3

Distância

Quais variáveis entram e como serão escaladas?

4

Validação clínica

O cluster faz sentido fisiopatológico?

10 min · estratégia10 min · riscos10 min · defesa clínica

Vocês tratariam como classificação de risco ou descoberta de fenótipos?

Checklist antes de escolher o algoritmo

Existe rótulo confiável?

Se sim, supervisionado pode ser adequado.

A ação clínica é clara?

Predição precisa mudar decisão.

A interpretação importa?

Modelo simples pode ser melhor.

Há alta dimensão?

Regularização, SVM ou redução podem ajudar.

Quer descobrir subtipos?

Clusters exigem validação externa e clínica.

Há risco de overfitting?

Separação, validação e pré-registro importam.

Sugestão visual: checklist de decisão algoritmo-problema.

Qual escolha algorítmica seria mais defensável para o seu projeto hoje?

Cinco ideias para levar

1 Supervisionado prevê usando rótulos; não supervisionado descobre estrutura.

2 Regressão logística continua valiosa por transparência e calibração.

3 Ensembles melhoram desempenho, mas podem amplificar atalhos e leakage.

4 Clustering depende da distância, escala e validação clínica.

5 Fenótipos computacionais são hipóteses até mostrarem utilidade biológica ou terapêutica.

Antes de perguntar “qual algoritmo?”, pergunte: tenho rótulo confiável, decisão clara e validação que sustenta a promessa clínica?

Próximo encontro

Vimos como lidar com tabelas, códigos e variáveis. Mas e quando o dado é uma imagem?

Pixels

raio-X, tomografia, histologia.

Convoluções

filtros, mapas e hierarquias.

Transfer learning

aprender com poucos dados médicos.

Validação

evitar aprender aparelho, hospital ou protocolo.

← ÍNDICE DA DISCIPLINA

Referências e créditos

Fundamentos e algoritmos clássicos

• Hastie, T.; Tibshirani, R.; Friedman, J. The Elements of Statistical Learning. 2nd ed. Springer (2009). Livro.
• Steyerberg, E. W. Clinical Prediction Models. 2nd ed. Springer (2019). DOI.
• Breiman, L. Random forests. Machine Learning (2001). DOI.
• Friedman, J. H. Greedy function approximation: a gradient boosting machine. Annals of Statistics (2001). DOI.
• Chen, T.; Guestrin, C. XGBoost: A scalable tree boosting system. KDD (2016). DOI.
• Cortes, C.; Vapnik, V. Support-vector networks. Machine Learning (1995). DOI.
• van der Maaten, L.; Hinton, G. Visualizing data using t-SNE. JMLR (2008).
• McInnes, L.; Healy, J.; Melville, J. UMAP: Uniform Manifold Approximation and Projection. arXiv (2018). arXiv.

Fenotipagem e aplicações biomédicas

• Ahlqvist, E. et al. Novel subgroups of adult-onset diabetes and their association with outcomes. The Lancet Diabetes & Endocrinology (2018). DOI.
• Verhaak, R. G. W. et al. Integrated genomic analysis identifies clinically relevant subtypes of glioblastoma. Cancer Cell (2010). DOI.
• Banchereau, R. et al. Personalized immunomonitoring uncovers molecular networks that stratify lupus patients. Cell (2016). DOI.
• Beam, A. L.; Kohane, I. S. Big data and machine learning in health care. JAMA (2018). DOI.

Figuras

• Todas as figuras SVG foram criadas para esta aula como recursos gráficos autorais didáticos.