Discriminação em modelos preditivos: o que é e como avaliar

A discriminação em modelos preditivos mede a capacidade de um modelo distinguir corretamente quem vai desenvolver um desfecho de quem não vai. Esse conceito é central para avaliar escores de risco cardiovascular, calculadoras de prognóstico e algoritmos clínicos em geral. Sem discriminação adequada, um modelo pode até parecer sofisticado, mas ser clinicamente inútil.

O que significa discriminação em modelos preditivos

Em estatística e epidemiologia clínica, discriminação é a capacidade de um modelo preditivo separar, de forma consistente, indivíduos que terão o desfecho daqueles que não terão. Um bom modelo atribui probabilidades mais altas para quem realmente vai apresentar o evento, e probabilidades mais baixas para quem não vai.

Isso é diferente de acurácia geral do modelo: um modelo pode ter boa discriminação mesmo que suas probabilidades numéricas exatas não estejam perfeitamente calibradas, tema que será tratado na próxima aula.

A estatística C e a curva ROC

A ferramenta mais usada para medir discriminação é a estatística C (também chamada de área sob a curva ROC, ou AUC). Ela varia de 0,5 a 1,0:

• 0,5 significa que o modelo discrimina tão bem quanto o acaso, ou seja, não tem valor preditivo.
• Entre 0,7 e 0,8 costuma ser considerado discriminação aceitável a boa.
• Acima de 0,8 indica discriminação forte.
• 1,0 representa discriminação perfeita, algo raro na prática clínica real.

Por que a discriminação em modelos preditivos importa na prática

Um modelo com boa discriminação ajuda o médico a estratificar pacientes em categorias de risco (baixo, moderado, alto), direcionando condutas diferentes para cada grupo. Se a discriminação for fraca, essa estratificação perde sentido, pois pacientes de alto e baixo risco real acabam recebendo classificações semelhantes.

Limitações da discriminação isolada

Avaliar apenas a discriminação, sem considerar outros aspectos do modelo, tem limitações importantes:

• Um modelo pode discriminar bem em uma população, mas falhar em outra com características diferentes (problema de validade externa, tema de aula futura).
• A estatística C não informa se as probabilidades previstas são numericamente corretas, apenas se a ordenação de risco está correta.
• Modelos com discriminação semelhante podem ter desempenhos clínicos muito diferentes quando aplicados a decisões concretas de tratamento.

Aplicando o conceito na leitura de artigos

Ao ler um estudo que propõe um novo escore preditivo, verifique sempre o valor da estatística C reportado, e compare com escores já validados na mesma área clínica. Um novo modelo só se justifica, na prática, se apresentar discriminação igual ou superior aos modelos já existentes, com vantagens adicionais em simplicidade ou custo.

Assista a aula completa acima para ver exemplos práticos e continue para a próxima aula do módulo.