Predição de Eventos Cardiovasculares Maiores após Transplante Hepático baseado em um modelo de Machine Learning Supervisionado
Carregando...
Data
2023-12-20
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
INTRODUÇÃO: Os pacientes submetidos a transplante hepático (TH) estão
envelhecendo e apresentando maior gravidade clínica. A taxa de eventos
cardiovasculares adversos graves (MACE) após o TH aumentou, o que, por sua
vez, incrementou a mortalidade no pós-TH de 30 dias. O teste de estresse
cardíaco não invasivo perde precisão quando aplicado a pacientes cirróticos préTH. OBJETIVO: Avaliar a viabilidade e a precisão de um modelo de aprendizado
de máquina usado para prever MACE pós-TH em uma coorte regional.
MÉTODOS: Este estudo de coorte retrospectivo envolveu 537 pacientes
submetidos a TH de um centro acadêmico do Sul do Brasil. Desenvolvemos um
modelo preditivo para MACE pós-TH (definido como um desfecho composto de
acidente vascular cerebral, insuficiência cardíaca de início recente, arritmia
grave e infarto agudo do miocárdio não fatal) usando o modelo de aprendizado
de máquina Extreme Gradient Boosting (XGBoost). Abordamos dados ausentes
(abaixo de 20%) para variáveis relevantes usando o método de imputação knearest neighbor (kNN), calculando a média dos dez vizinhos mais próximos
para cada caso. O conjunto de modelagem incluiu 83 atributos, abrangendo
dados do paciente e laboratoriais, complicações de cirrose e avaliações
cardíacas pré-TH. O desempenho do modelo foi avaliado usando a área sob a
curva característica de operação do receptor (AUROC). Também empregamos
Explicações Aditivas de Shapley (SHAP) para interpretar o impacto das
características. O conjunto de dados foi dividido em conjuntos de treinamento
(75%) e teste (25%). A calibração foi avaliada usando o escore Brier. Seguimos
as diretrizes de Relato Transparente de um Modelo de Previsão Multivariada
para Prognóstico ou Diagnóstico Individual (TRIPOD) para relatórios. Scikit-learn
e SHAP no Python 3 foram usados para todas as análises. O material
suplementar inclui o código para desenvolvimento do modelo e uma prática
calculadora online de previsão de MACE. RESULTADOS: Dos 537 pacientes
incluídos, 23 (4,46%) desenvolveram MACE intra-hospitalar, com idade média
no momento do transplante de 52,9 anos. A maioria, 66,1%, era do sexo
masculino. O modelo XGBoost alcançou um impressionante AUROC de 0,89
durante a fase de treinamento. Este modelo apresentou valores de acurácia,
precisão, recall e pontuação F1 de 0,84, 0,85, 0,80 e 0,79, respectivamente. A
calibração, conforme avaliada pelo escore Brier, indicou excelente calibração do
modelo, com um escore de 0,07. Além disso, os valores SHAP destacaram a
importância de certas variáveis na previsão de MACE pós-operatório, com
resultados negativos nos testes de estresse cardíaco não invasivos, uso de
betabloqueadores não seletivos, níveis diretos de bilirrubina, tipo sanguíneo O e
alterações dinâmicas na cintilografia de perfusão miocárdica sendo os fatores
mais influentes em nível de coorte. Esses resultados destacam a capacidade
preditiva de nosso modelo XGBoost na avaliação do risco de MACE após TH,
tornando-o uma ferramenta valiosa para a prática clínica. CONCLUSÃO: Nosso
estudo avaliou com sucesso o desempenho do modelo de aprendizado de
máquina XGBoost na previsão de MACE após TH. O modelo demonstrou um
desempenho impressionante, alinhando-se aos resultados da literatura, e
apresentou uma calibração excelente. Nossa abordagem cautelosa para evitar
overfitting e vazamento de dados sugere a estabilidade dos resultados quando
aplicados a dados prospectivos, reforçando o valor do modelo como uma
ferramenta confiável para prever MACE pós-TH na prática clínica.
Descrição
Tese (Doutorado)-Programa de Pós-Graduação em Patologia, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.
Palavras-chave
Transplante hepático, Eventos cardíacos adversos importantes, Aprendizado de máquina, Imagem de perfusão miocárdica, Teste de estresse, [en] Liver Transplantation, [en] Cardiovascular Diseases, [en] Machine Learning, [en] Myocardial Perfusion Imaging, [en] Stress Test