Projeto
Como um sistema de triagem de medicamentos para hipertensão e insuficiência cardíaca foi construído traduzindo diretrizes clínicas da AHA em bases de conhecimento estruturadas, modelos preditivos e uma API em produção — e o que esse processo ensinou sobre o gap entre conhecimento médico e software funcionando.
Resumo do caso
A Vitally Health constrói ferramentas de suporte à decisão clínica para cardiologistas e gestores de cuidado. O desafio: a titulação de medicamentos para pacientes com HFrEF/HFpEF é complexa, orientada por diretrizes e altamente individualizada — mas as diretrizes são escritas para clínicos, não para código.
Projetar um sistema híbrido de regras e modelo que codifica as diretrizes da AHA como regras de negócio estruturadas, usa ML para ranquear opções de titulação de medicamentos e serve decisões via FastAPI + AWS Lambda.
Uma API de suporte à decisão clínica em produção integrando análise preditiva à plataforma de cuidado, com ranqueamento de medicamentos que equilibra personalização, segurança e conformidade com diretrizes.
O manejo da insuficiência cardíaca (IC) requer ajustes frequentes de medicamentos — titular inibidores da ECA, betabloqueadores, MRAs e inibidores de SGLT2 até doses-alvo enquanto se monitora contraindicações, tolerabilidade e comorbidades específicas do paciente. As diretrizes AHA/ACC definem o framework, mas aplicá-las a pacientes individuais exige integrar dezenas de variáveis: sinais vitais, valores laboratoriais, histórico de titulação prévia, flags de contraindicação e dados de adesão.
A plataforma Vitally Health atende gestores de cuidado que acompanham pacientes com insuficiência cardíaca crônica remotamente. A necessidade: uma camada de suporte à decisão capaz de surfacear a próxima melhor ação medicamentosa para cada encontro com o paciente, fundamentada nas diretrizes e personalizada para o indivíduo.
Diretrizes clínicas são escritas em linguagem natural para clínicos. Convertê-las para código significa resolver ambiguidades:
A primeira fase do projeto foi menos sobre aprendizado de máquina e mais sobre raciocínio clínico estruturado: trabalhar com clínicos para converter diretrizes narrativas em tabelas de decisão explícitas, codificações categóricas e conjuntos de regras priorizados.
Por que uma abordagem híbrida de regras e modelo?
Sistemas puramente baseados em regras são transparentes e seguros, mas frágeis — não conseguem generalizar para casos extremos não cobertos explicitamente. Modelos de ML puros generalizam, mas são mais difíceis de auditar e explicar para clínicos e reguladores. A abordagem híbrida coloca ranqueamento de ML sobre filtragem baseada em regras:
Codificações. Comorbidades, sinais vitais, valores laboratoriais e contraindicações foram codificados como features categóricas e ordinais com fronteiras clinicamente significativas (ex.: limites de eGFR das diretrizes). Isso tornou as entradas do modelo interpretáveis e a engenharia de features auditável pela equipe clínica.
Deploy. FastAPI + Pydantic para validação de requisições e auto-documentação; AWS Lambda para deploy serverless e econômico que escala com o uso; integração com o pipeline de dados de pacientes existente da plataforma.
A parte mais difícil não foi o ML. Foi a engenharia do conhecimento — pegar expertise clínica implícita e torná-la explícita o suficiente para codificar sem perder a nuance que torna as diretrizes realmente úteis. Dois aprendizados se destacaram:
Explicabilidade é uma feature, não uma restrição. Em um contexto clínico regulado, um modelo que não consegue explicar sua recomendação é um modelo em que a equipe de cuidado não vai confiar e não vai usar. Projetar para explicabilidade desde o início (regras + modelo híbrido, codificações transparentes) facilitou a adoção.
O gap entre pesquisa e produção em saúde é amplo. O caminho de um notebook Jupyter funcionando a um serviço implantado em que um clínico confia envolve validação, auditabilidade, controle de versão para modelos e tratamento cuidadoso de casos extremos que um conjunto de dados de benchmark nunca exporia. Esse projeto aprofundou o respeito por esse gap — e pela disciplina de engenharia necessária para fechá-lo com responsabilidade.