Development and Internal Validation of a Nomogram for Predicting One-Year All-Cause Mortality in Heart Failure Patients Undergoing Non-Cardiac Surgery: A Retrospective Analysis of 308 Cases

Sintesi Tecnica: Sviluppo e Validazione Interna di un Nomogramma per la Predizione della Mortalità per Tutte le Cause a Un Anno in Pazienti con Scompenso Cardiaco sottoposti a Chirurgia Non Cardiaca

Definizione del Problema
Lo scompenso cardiaco (HF) rappresenta un significativo carico di salute pubblica globale, con oltre il 15% dei pazienti sottoposti a chirurgia non cardiaca (NCS) che presenta uno scompenso cardiaco comorbido. Questi pazienti affrontano rischi elevati di instabilità emodinamica perioperatoria e mortalità postoperatoria a lungo termine. Sebbene gli interventi chirurgici spesso scatenino risposte da stress traumatico nei pazienti con scompenso cardiaco, non esiste attualmente uno strumento semplice e preciso per prevedere la probabilità di mortalità postoperatoria a un anno specificamente per questa popolazione. Gli strumenti esistenti, come l'Indice di Rischio Cardiaco Revisionato (RCRI), mancano di biomarcatori specifici e di indicatori clinici di routine necessari per una precisa stratificazione del rischio a lungo termine nelle coorti con scompenso cardiaco. Questo studio affronta la necessità di uno strumento di valutazione del rischio individualizzato e preciso per facilitare la formulazione precoce di strategie terapeutiche personalizzate e migliorare gli esiti di sopravvivenza postoperatoria.

Metodologia
Questo studio di coorte retrospettivo ha analato 308 pazienti con scompenso cardiaco sottoposti a chirurgia non cardiaca presso l'Ospedale del Distretto di Luhe, Nanjing, tra gennaio 2023 e giugno 2024. Lo studio è stato approvato dal Comitato Etico Medico locale ed è stato registrato presso il Chinese Clinical Trial Registry.

• Raccolta Dati e Pre-elaborazione: Lo studio ha raccolto 18 potenziali covariate predittive, inclusi dati demografici, caratteristiche chirurgiche, tipo di anestesia e vari biomarcatori di laboratorio (ad es., BNP, CRP, lipoproteina(a), emoglobina, marcatori cardiaci). I valori mancanti (<5%) sono stati gestiti tramite imputazione multipla (MICE). La coorte è stata stratificata casualmente in un set di addestramento (n=217) e un set di validazione (n=91) con un rapporto 7:3.
• Screening delle Variabili: È stato impiegato un processo di screening a due fasi. In primo luogo, la regressione LASSO combinata con l'algoritmo Boruta è stata utilizzata per identificare i potenziali predittori e controllare la multicollinearità. Questo ha ridotto i 18 variabili iniziali a 9 candidati. In secondo luogo, un approccio di eliminazione a ritroso (backward elimination) all'interno di un framework di regressione logistica multivariata (p di ingresso=0,05, p di rimozione=0,10) ha identificato l'insieme finale di predittori indipendenti. È stata applicata la correzione del tasso di falsa scoperta (FDR) di Benjamini–Hochberg per mitigare gli errori di Tipo I.
• Costruzione del Modello: Un nomogramma è stato costruito sulla base dei sei predittori indipendenti identificati. Il modello ha utilizzato la regressione logistica per calcolare la probabilità di mortalità per tutte le cause a un anno.
• Validazione e Valutazione: Le prestazioni del modello sono state rigorosamente valutate tramite:
  • Discriminazione: Curve ROC (Receiver Operating Characteristic) e AUC (Area Under the Curve) con intervalli di confidenza (CI) al 95%.
  • Calibrazione: Grafici di calibrazione e test di Hosmer-Lemeshow.
  • Utilità Clinica: Analisi della curva decisionale (DCA) e curve di impatto clinico (CIC).
  • Confronto: Il nomogramma è stato confrontato con il punteggio convenzionale RCRI tramite test di DeLong.
  • Giustificazione del Campione: La dimensione del campione (n=308, 69 eventi) è stata verificata per soddisfare la regola "10:1" di eventi per variabile e i requisiti di potenza statistica (potenza dell'80%, OR=1,6).

Contributi Chiave

1. Identificazione di Sei Predittori Indipendenti: Lo studio ha identificato sei indicatori clinici di routine come predittori indipendenti della mortalità a un anno:
   • Nuova insufficienza cardiaca postoperatoria (il più forte predittore).
   • Livelli di biomarcatori miocardici (elevata troponina I cardiaca preoperatoria).
   • Peptide natriuretico di tipo B (BNP).
   • Lipoproteina(a) [Lp(a)].
   • Indice di Massa Corporea (BMI).
   • Emoglobina (Hb).
2. Sviluppo di un Nomogramma ad Alte Prestazioni: Un modello predittivo è stato costruito integrando queste variabili in un sistema di punteggio visivo.
3. Strumento Clinico Dinamico: È stato sviluppato un nomogramma dinamico interattivo basato sul web (applicazione R Shiny) per consentire ai clinici di inserire i dati del paziente e ricevere istantaneamente le probabilità personalizzate di mortalità, eliminando gli errori di calcolo manuale.
4. Superiorità rispetto a RCRI: Lo studio ha dimostrato che il nomogramma proposto supera significativamente lo score RCRI tradizionale in termini di accuratezza predittiva per questa specifica popolazione di pazienti.

Risultati

• Tasso di Mortalità: Il tasso di mortalità per tutte le cause a un anno postoperatoria nella coorte è stato del 22,4% (69/308).
• Prestazioni Predittive:
  • Set di Addestramento: Il nomogramma ha raggiunto un'AUC di 0,933 (95% CI: 0,893–0,974).
  • Set di Validazione: Il modello ha mantenuto una forte capacità discriminativa con un'AUC di 0,892 (95% CI: 0,812–0,971).
  • Confronto con RCRI: Il nomogramma ha superato significativamente l'RCRI sia nel set di addestramento (AUC 0,933 vs. 0,659, P<0,001) che nel set di validazione (AUC 0,892 vs. 0,700, P=0,003).
• Calibrazione: Il modello ha mostrato un'eccellente calibrazione. Il test di Hosmer-Lemeshow ha prodotto P-value di 0,8428 (addestramento) e 0,8973 (validazione), indicando l'assenza di una mancanza significativa di adattamento. Gli errori medi di calibrazione assoluta sono stati bassi (3,41% e 4,05%, rispettivamente).
• Utilità Clinica: L'analisi della curva decisionale (DCA) ha confermato benefici clinici netti favorevoli entro una soglia di probabilità di 0,0–0,4. Le curve di impatto clinico (CIC) hanno verificato la capacità del modello di filtrare accuratamente i pazienti ad alto rischio attraverso diverse soglie decisionali.
• Importanza delle Variabili: La nuova insufficienza cardiaca postoperatoria (OR=9,434) e la Lp(a) (OR=1,005 per unità) sono state identificate come i principali driver del rischio. Al contrario, l'indice di massa corporea (BMI) più elevato e i livelli di emoglobina sono stati identificati come fattori protettivi.

Significatività e Rivendicazioni
Gli autori affermano che questo nuovo nomogramma fornisce uno strumento intuitivo, affidabile e preciso per la valutazione del rischio perioperatorio nei pazienti con scompenso cardiaco sottoposti a chirurgia non cardiaca. Integrando indicatori clinici di routine e dati sulle complicazioni postoperatorie, il modello offre un'accuratezza predittiva superiore rispetto agli indici standard esistenti.

Lo studio sostiene che questo strumento facilita l'identificazione di coorti ad alto rischio, consentendo l'implementazione precoce di strategie terapeutiche personalizzate (ad es., supporto nutrizionale per un basso BMI, gestione dell'anemia e monitoraggio stretto per la nuova insufficienza cardiaca). Gli autori sottolineano che la dipendenza del modello da indicatori routinariamente disponibili lo rende altamente fattibile per l'implementazione clinica. Essi riconoscono i limiti, tra cui il design retrospettivo a centro singolo e la mancanza di un follow-up a lungo termine oltre l'anno, affermando che studi prospettici multicentrici futuri sono necessari per validare la generalizzabilità del modello. Tuttavia, concludono che l'attuale modello rappresenta un passo significativo verso una gestione perioperatoria precisa e un intervento clinico individualizzato per questa vulnerabile popolazione di pazienti.