Explicabilidade — Modelo Spero de indicação cirúrgica
Importância de fatores e decomposição individual do modelo em produção no /questionario, treinado com o rótulo clínico revisado pelo Dr. Tiago (09/06). Abaixo: como o modelo aprendeu (treino) e como ele explica cada paciente (inferência).
As figuras abaixo mostram importância estatística de cada feature para a predição do modelo, NÃO efeito causal clínico. Uma feature pode aparecer no topo do SHAP por 3 motivos distintos:
- Causa real: o fator efetivamente influencia o desfecho cirúrgico
- Confounder: correlaciona com idade, origem do paciente ou outro fator que é o verdadeiro driver
- Proxy: o fator "captura" algo que não aparece de forma explícita
Implicação clínica: não usar SHAP isoladamente pra desenvolver protocolos de decisão. A validação científica (09/06) mostrou que o modelo formaliza a decisão do especialista (dor + frequência) — para causalidade real, precisa de fator independente (grau radiográfico) ou desenho prospectivo. N=69 reforça a cautela.
Os modelos atuais foram otimizados para minimizar falsos positivos(indicação cirúrgica errada). Decisão clínica explícita do Dr. Tiago:
"O que não podemos errar, no meu ponto de vista, é indicar a cirurgia e isso estar errado. Pois imagina que o paciente vai ter que fazer uma cirurgia a toa. Isso não pode acontecer."
Consequências práticas: threshold default elevado para 0.70no /questionario, métrica primária migrada de F2 (peso 4× no recall) para F0.5 / PPV (peso 4× na precision). Erro de tipo II (FN) é tolerado — paciente piora e volta à fila; erro de tipo I (FP) não.
O modelo que roda em /questionario hoje é o Modelo Spero de indicação cirúrgica — algoritmo de IA probabilístico com o rótulo clínico revisado pelo Dr. Tiago(planilha 01-06). Coorte-ouro N=69 (46 Pronto p/ cirurgia vs 23 Sem necessidade; operados fora). AUC 0.932 IC95% [0.86-0.98] (nested CV 0.926 confirma), precisão 0.915.
- Probabilidade, não binário: o resultado é "X% de chance de indicação cirúrgica" num termômetro contínuo — o médico decide o corte conforme o caso (decisão Dr. Tiago 09/06).
- Incerteza por paciente: cada predição vem com faixa (percentil 10–90 do ensemble). Caso limítrofe mostra faixa ampla e aviso de que a avaliação presencial é decisiva — o modelo "confessa" quando não sabe.
- Explicação SHAP individual: gráfico mostrando quanto cada fator (dor, frequência, infiltração, idade) empurrou o resultado.
- Calibração verificada: Brier 0.096; curva de calibração abaixo mostra que "70% predito" ≈ 70% observado.
Importância das features (treino)
Importância média |SHAP| no modelo em produção. Dor atual e frequência da dor dominam — clinicamente plausível.
Distribuição SHAP por paciente
Cada ponto é um paciente da coorte-ouro (N=69). Vermelho = valor alto da feature, azul = baixo.
Inferência — paciente grave
Como cada fator empurrou o score deste paciente para indicação cirúrgica.
Inferência — paciente leve
Decomposição de um paciente predito como conservador.
Curva de calibração (reliability diagram)
Probabilidade predita vs frequência observada (OOF 5-fold, Brier 0.096). Pontos próximos da diagonal = '70% predito' corresponde a ~70% observado. Validação adicional: nested CV (20×5-fold) confirma AUC 0.926 — sem otimismo escondido.