Dados duplicados, incorretos e fraudulentos na Medicina Inteligente

Por Ricardo Costa Val do Rosario e ChatGPT 5.0 Plus

Como e Porque Detectar, Mitigar e Governar Riscos de Qualidade e Integridade de Dados Clínicos?

# Relevância 
- Decisões clínicas e regulatórias dependem de dados íntegros; 
- vieses ou fraudes podem causar dano direto ao paciente e manchar
linhas de pesquisa por anos.

# Modelos de IA amplificam erros: 
- Duplicatas “pesam” mais um padrão inexistente; 

- Outliers não-validados “ensinam” comportamentos clínicos falsos; 

- Fraudes contaminam o dataset e a literatura.

# Conformidade Legal
1. ISO 13485/14971, 

2. RDCs/ANVISA

3. Boas práticas de pesquisa exigem trilha de auditoria e validação de dados.

Tipos de problemas, gravidade e como refletir sobre eles

1.	Duplicados (record linkage imperfeito, múltiplas fontes, reenvio de laudos

- distorcem estatísticas, 

- “super-representam” desfechos. 

- Detecção direta com duplicated()

- Remoção com drop_duplicates() quando não há justificativa clínica para repetição 
do caso reduz viés do modelo. 

 2, Estratégias para lidar com dados incorretos, como erros de digitação, falhas de medição e 
 inconsistências de unidades.

- validar faixas fisiológicas, consistência temporal (ex.: alta antes da admissão = erro) 

- Verificação de unidades (mmHg vs kPa).

 3.	Outliers e Candidatos a outliers via IQR: 

- limites em Q1 - 1.5*IQR e Q3 + 1.5*IQR para marcar observações atípicas. 

- Não é para “cortar tudo”; decisão depende do contexto clínico. 

4. Quando remover: 
- se forem erros claros de medição/entrada e não for possível imputar 
corretamente; 

- se forem extremos válidos (p.ex., CK altíssima em rabdomiólise), 
não remover. 

5. Fraude como outlier: 

IQR é útil para sinalizar atividades incomuns (p.ex., transações/medições 
“fora de curva”) 
para auditoria, não como veredito de fraude. 

Exemplos de Casos

# 1. Estudo de vacina e autismo (revogado). Problema: 

- manipulação e seleção indevida de amostras, 

- conflitos não-declarados;

- influência duradoura na hesitação vacinal.

- Lição técnica: 
auditoria de protocolo, pré-registro, reprodutibilidade e checagens 
independentes de dados brutos.

# 2.	Cirurgias experimentais com resultados fabricados. Problema: 

- desfechos e prontuários contestados, inconsistências temporais e clínicas.

- Lição técnica: 
- validações cruzadas (EHR, registro cirúrgico, mortalidade),

- trilha de auditoria e comitês de ética atuantes.

 # 3. Ensaios anestésicos com padrões estatísticos implausíveis. Problema: 

- dezenas de RCTs com distribuições “perfeitas” 

- variâncias estreitas pouco realistas.

- Lição técnica: 
- forense estatística (p-val hacking, variância homogênea demais, dígitos finais),

- política clara de disclosure + retratações rápidas.

Pipeline mínimo de saneamento + detecção em JSON

# 1) Esquema de dados clínicos (tipos, units, ranges, obrigatoriedade)
"schema"
```
{
    "patient_id": {"type": "string", "required": true},
    "admission_timestamp": {"type": "datetime", "required": true, "tz": "America/Sao_Paulo"},
    "discharge_timestamp": {"type": "datetime", "required": false},
    "age_years": {"type": "number", "min": 0, "max": 120, "required": true},
    "hr_bpm": {"type": "number", "min": 20, "max": 260, "required": false, "unit": "bpm"},
    "sbp_mmHg": {"type": "number", "min": 40, "max": 300, "required": false, "unit": "mmHg"},
    "ck_uL": {"type": "number", "min": 0, "max": 100000, "required": false, "unit": "U/L"}
  }
}
```

# 2) Regras de duplicidade (níveis e chaves compostas) 
(base conceitual: 
duplicated()/drop_duplicates() do Pandas para reduzir viés e melhorar desempenho do modelo) 
```
{
  "duplicate_rules": {
    "level": "strict",
    "keys": ["patient_id", "admission_timestamp", "discharge_timestamp"],
    "action_if_duplicate": "drop",
    "exceptions": {
      "allow_same_patient_multi_admission": true,
      "window_minutes": 10,
      "note": "Permite reenvio técnico do mesmo evento em curto intervalo"
    }
  }
}
```


# 3) IQR Outliers (sinalização, não exclusão cega) 
 (método de IQR e limites inferior/superior; decisão clínica contextual — “quando remover”) 
```
{
  "outlier_detection": {
    "method": "IQR",
    "columns": ["hr_bpm", "sbp_mmHg", "ck_uL"],
    "iqr_factor": 1.5,
    "tag_only": true,
    "flag_field": "is_outlier_iqr",
    "route": "manual_review",
    "notes": "Outlier clínico pode ser evento real (ex.: choque, rabdomiólise); revisar antes de excluir."
  }
}

 
```