Integrating dynamic nomogram and machine learning for personalized disability prediction in elderly cardiometabolic multimorbidity: routine blood markers and mental health

Sintesi Tecnica: Integrazione di Nomogramma Dinamico e Machine Learning per la Predizione Personalizzata della Disabilità in Anziani con Multimorbilità Cardiometabolica

Problematica
La disabilità nei pazienti anziani con multimorbilità cardiometabolica (CMM)—definita come la co-occorrenza di due o più malattie cardiometaboliche quali ipertensione, malattie cardiache, ictus, diabete e dislipidemia—rappresenta un significativo onere per la salute pubblica. Sebbene studi precedenti abbiano identificato fattori di rischio generali (ad es., età, BMI, depressione), i modelli di predizione clinica esistenti spesso mancano di precisione individualizzata e non affrontano complessità specifiche: il valore predittivo dei marcatori ematici di routine, la dominanza comparativa della salute mentale rispetto alla funzione fisica e se il rischio di disabilità aumenti linearmente con il numero di comorbidità o raggiunga un plateau. Gli strumenti attuali, come le scale standard ADL/IADL, forniscono valutazioni generali ma mancano di una stratificazione del rischio dinamica e personalizzata.

Metodologia
Lo studio ha utilizzato i dati della China Health and Retirement Longitudinal Study (CHARLS), analizzando 1.424 pazienti di età ≥60 anni con CMM per lo sviluppo del modello (set di addestramento e di validazione interna) e 3.335 pazienti per la validazione esterna. La disabilità è stata definita come compromissione delle attività della vita quotidare (ADL) o delle attività strumentali della vita quotidare (IADL), o disabilità auto-riferita.

La ricerca ha impiegato un approccio analitico multifaccettato:

1. Selezione delle Variabili: Da 46 predittori candidati (inclusi dati demografici, stile di vita, esami fisici, storia clinica e oltre 20 marcatori di laboratorio come HbA1c, TyG, CVAI e funzione renale), le variabili sono state filtrate tramite regressione logistica univariata, seguita dalla regressione Least Absolute Shrinkage and Selection Operator (LASSO) per la riduzione della dimensionalità.
2. Sviluppo del Nomogramma: Un nomogramma dinamico è stato costruito utilizzando la regressione logistica multivariata sull'insieme finale di predittori indipendenti. Questo modello è stato implementato come strumento online (applicazione Shiny) per il calcolo del rischio in tempo reale.
3. Analisi Statistica Avanzata:
   • Analisi di Mediazione: Ha esplorato i percorsi in cui la funzione fisica (forza di presa, velocità del cammino) e le cadute hanno mediato gli effetti di depressione, cognizione e ictus sulla disabilità.
   • Analisi Non Lineare: Sono stati utilizzati spline cubiche ristrette (RCS) e l'analisi dell'effetto soglia per identificare i punti di inflessione nelle relazioni (ad es., funzione cognitiva).
   • Valutazione Dose-Risposta: Test di tendenza lineare e confronti a coppie aggiustati con Tukey hanno valutato la relazione tra il numero di condizioni CMM e il rischio di disabilità.
4. Machine Learning (ML): Cinque algoritmi (Regressione Logistica, Random Forest, SVM, LightGBM, XGBoost) sono stati addestrati utilizzando l'algoritmo Boruta per la selezione delle caratteristiche. Il modello Random Forest (RF) è stato selezionato come ottimale in base alle metriche di performance. L'analisi SHapley Additive exPlanations (SHAP) è stata applicata per interpretare l'importanza delle caratteristiche e la loro direzionalità nel modello ML.

Risultati Chiave

• Modello Predittivo: Il nomogramma dinamico finale ha incorporato sei predittori indipendenti: sintomi di depressione, funzione cognitiva, ictus, numero di CMM, età e cadute. Il modello ha dimostrato una robusta discriminazione con valori di Area Sotto la Curva (AUC) di 0,746 (addestramento), 0,740 (validazione interna) e 0,754 (validazione esterna). Le curve di calibrazione e l'analisi della curva decisionale (DCA) hanno confermato un eccellente accordo tra probabilità previste e reali e un significativo beneficio netto clinico.
• Marcatori Ematici di Routine: Nella regressione logistica tradizionale, i marcatori ematici di routine non erano statisticamente significativi. Tuttavia, l'analisi SHAP del modello Random Forest ha identificato HbA1c, creatinina, acido urico, ematocrito, glucosio a digiuno, TyG e CVAI come importanti marcatori di rischio, suggerendo che il ML cattura interazioni non lineari trascurate dai modelli convenzionali.
• Salute Mentale vs Fisica: I sintomi di depressione sono emersi come un predittore dominante, superando le metriche della funzione fisica come la forza di presa e la velocità del cammino sia nei modelli tradizionali che in quelli ML. L'analisi di mediazione ha rivelato che la forza di presa della mano sinistra ha mediato il 12,3% dell'effetto dell'ictus sulla disabilità, mentre la velocità del cammino ha mediato gli effetti della funzione cognitiva e dell'ictus.
• Plateau del Conteggio CMM: La relazione tra il numero di condizioni CMM e il rischio di disabilità non è puramente lineare. Il rischio è aumentato significativamente da 2 a 3 e 4 condizioni, ma sembra aver raggiunto un plateau dopo CMM ≥ 3. L'analisi di sensibilità che ha unito CMM=4 e 5 ha confermato che, sebbene CMM≥4 comporti un rischio maggiore rispetto a CMM=2, la differenza tra CMM=3 e CMM≥4 non era significativa.
• Approfondimenti dal Machine Learning: Il modello Random Forest ha raggiunto l'AUC più elevata (0,782) nel set di validazione interna. Notevolmente, nel modello ML, la malattia renale ha avuto un valore predittivo superiore rispetto all'ictus o al numero di CMM, contrastando con la regressione tradizionale dove l'ictus era il predittore più forte (OR=2,55).
• Relazioni Non Lineari: La funzione cognitiva ha mostrato una relazione a forma di U invertita con la disabilità, con un punto di inflessione a 12,043.

Significatività e Rivendicazioni
Gli autori affermano che questo studio fornisce il primo nomogramma dinamico pratico specificamente per la predizione della disabilità in pazienti anziani con CMM. La significatività dello studio risiede nel suo approccio integrato, che:

1. Valida i Marcatori di Routine: Dimostra che i marcatori ematici di routine (ad es., HbA1c, creatinina) possiedono un valore predittivo per la disabilità quando analizzati tramite machine learning, anche se non significativi nella regressione lineare.
2. Prioritizza la Salute Mentale: Stabilisce che i sintomi di depressione sono un predittore più critico del rischio di disabilità rispetto alle metriche della funzione fisica (forza di presa, velocità del cammino) in questa popolazione.
3. Raffina la Stratificazione del Rischio: Identifica un effetto plateau nella relazione CMM-disabilità, suggerendo che la stratificazione del rischio clinico potrebbe non dover distinguere linearmente oltre tre comorbidità.
4. Utilità Clinica: Offre uno strumento online clinicamente accessibile per la stratificazione del rischio personalizzata, guidando potenzialmente interventi precoci focalizzati sulla valutazione della salute mentale e sullo screening metabolico di routine.

Lo studio conclude che, sebbene l'ictus rimanga un primario predittore tradizionale, il machine learning rivela il ruolo critico della malattia renale e della disregolazione metabolica. Gli autori riconoscono i limiti, tra cui la natura retrospettiva dei dati, il potenziale bias di selezione relativo ai marcatori ematici e la necessità di validazione esterna in popolazioni diverse, ma sostengono che il nomogramma sviluppato sia un passo prezioso verso l'identificazione precoce del rischio e le strategie di gestione personalizzata.