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

Página do item simplificado
dc.contributor.advisorHochhegger, Bruno
dc.contributor.advisor-coBrandão, Ajácio Bandeira de Mello
dc.contributor.authorSoldera, Jonathan
dc.contributor.departmentPrograma de Pós-Graduação em Patologia
dc.date.accessioned2024-04-04T13:49:04Z
dc.date.available2024-04-04T13:49:04Z
dc.date.date-insert2024-04-04
dc.date.issued2023-12-20
dc.descriptionTese (Doutorado)-Programa de Pós-Graduação em Patologia, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.
dc.description.abstractINTRODUÇÃO: 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.
dc.description.abstract-enBACKGROUND: Liver transplantation (LT) patients have become older and sicker. The rate of post-LT major adverse cardiovascular events (MACE) has increased, and this in turn raises 30-day post-LT mortality. Non-invasive cardiac stress testing loses accuracy when applied to pre-LT cirrhotic patients. OBJECTIVE: To assess the feasibility and accuracy of a machine learning model used to predict post-LT MACE in a regional cohort. METHODS: This retrospective cohort study involved 537 liver transplant (LT) patients from a Southern Brazilian academic center. We developed a predictive model for postLT MACE (defined as a composite outcome of stroke, new-onset heart failure, severe arrhythmia, and myocardial infarction) using the extreme gradient boosting (XGBoost) machine learning model. We addressed missing data (below 20%) for relevant variables using the k-nearest neighbor (kNN) imputation method, calculating the mean from the ten nearest neighbors for each case. The modeling dataset included 83 features, encompassing patient and laboratory data, cirrhosis complications, and pre-LT cardiac assessments. Model performance was assessed using the area under the receiver operating characteristic curve (AUROC). We also employed Shapley additive explanations (SHAP) to interpret feature impacts. The dataset was split into training (75%) and testing (25%) sets. Calibration was evaluated using the Brier score. We followed Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis (TRIPOD) guidelines for reporting. Scikit-learn and SHAP in Python 3 were used for all analyses. The supplementary material includes code for model development and a user-friendly online MACE prediction calculator. RESULTS: Of the 537 included patients, 23 (4.46%) developed in-hospital MACE, with a mean age at transplantation of 52.9 years. The majority, 66.1%, were male. The XGBoost model achieved an impressive AUROC of 0.89 during the training stage. This model exhibited accuracy, precision, recall, and F1-score values of 0.84, 0.85, 0.80, and 0.79, respectively. Calibration, as assessed by the Brier score, indicated excellent model calibration with a score of 0.07. Furthermore, SHAP values highlighted the significance of certain variables in predicting postoperative MACE, with negative non-invasive cardiac stress testing, use of nonselective beta-blockers, direct bilirubin levels, blood type O, and dynamic alterations on myocardial perfusion scintigraphy being the most influential factors at the cohort-wide level. These results highlight the predictive capability of our XGBoost model in assessing the risk of post-liver transplant MACE, making it a valuable tool for clinical practice. CONCLUSION: Our study successfully assessed the feasibility and accuracy of the XGBoost machine learning model in predicting post-LT MACE. The model demonstrated impressive performance, aligning with literature findings, and exhibited excellent calibration. Our cautious approach to prevent overfitting and data leakage suggests the stability of results when applied to prospective data, reinforcing the model's value as a reliable tool for predicting post-LT MACE in clinical practice
dc.identifier.urihttps://repositorio.ufcspa.edu.br/handle/123456789/2699
dc.language.isopt_BR
dc.relation.requiresTEXTO - Adobe Reader
dc.rightsAcesso Aberto Imedaitopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/br/
dc.subjectTransplante hepático
dc.subjectEventos cardíacos adversos importantes
dc.subjectAprendizado de máquina
dc.subjectImagem de perfusão miocárdica
dc.subjectTeste de estresse
dc.subject[en] Liver Transplantationen
dc.subject[en] Cardiovascular Diseasesen
dc.subject[en] Machine Learningen
dc.subject[en] Myocardial Perfusion Imagingen
dc.subject[en] Stress Testen
dc.titlePredição de Eventos Cardiovasculares Maiores após Transplante Hepático baseado em um modelo de Machine Learning Supervisionado
dc.typeTese
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
[TESE] Soldera, Jonathan (C).pdf
Tamanho:
2.07 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo
Baixar
Coleções
PPGPAT - Teses