Predição de Eventos Cardiovasculares Maiores após Transplante Hepático baseado em um modelo de Machine Learning Supervisionado

Carregando...
Imagem de Miniatura
Data
2023-12-20
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
Dissertação (Mestrado) - 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
Citação
Coleções