Presurgical Neural Energy Landscapes Predict Postoperative Working Memory Outcome After Brain Tumor Resection

Resumo Técnico: Paisagens de Energia Neural Pré-Cirúrgicas Predizem o Resultado da Memória de Trabalho Pós-Operatória Após Ressecção de Tumor Cerebral

Declaração do Problema
A ressecção cirúrgica é o tratamento primário para tumores cerebrais, mas carrega um risco significativo de prejuízos cognitivos pós-operatórios, particularmente na memória de trabalho, que podem persistir a longo prazo e degradar a qualidade de vida. Embora estudos anteriores tenham identificado preditores como localização do tumor, tamanho e conectividade funcional de baixa ordem, esses fatores frequentemente falham em contabilizar a interação única das condições individuais dos pacientes. Além disso, a pesquisa existente depende predominantemente de medidas estáticas de conectividade funcional de baixa ordem (correlações pareadas entre regiões), potencialmente negligenciando as interações dinâmicas e de alta ordem entre grupos de regiões cerebrais que são críticas para a flexibilidade cognitiva. Há uma necessidade de marcadores pré-cirúrgicos que possam prever com precisão os resultados cognitivos pós-operatórios para permitir o planejamento cirúrgico personalizado e intervenções direcionadas.

Metodologia
O estudo utilizou um conjunto de dados publicamente disponível de 20 pacientes adultos com tumor cerebral (7 gliomas, 13 meningiomas) que realizaram ressonância magnética funcional em repouso (rs-fMRI) e testes cognitivos pré-cirurgia e seis meses pós-cirurgia. A memória de trabalho foi avaliada usando o teste de Espaço Espacial (SSP), com as pontuações pós-operatórias agrupadas em categorias de desempenho "baixo" (2–5) e "alto" (6–9).

A inovação metodológica central foi a aplicação de uma Estrutura de Paisagem de Energia de Alta Ordem, que estende análises anteriores de paisagem de energia de baixa ordem. O processo envolveu quatro etapas:

1. Agrupamento Funcional: Em vez de usar redes pré-definidas ou Regiões de Interesse (ROIs) individuais, os autores aplicaram agrupamento k-means para agrupar regiões corticais e subcorticais com base na similaridade do sinal BOLD, criando clusters funcionais específicos do sujeito.
2. Extração de Estados: Os sinais contínuos de fMRI desses clusters foram binarizados (ativo/inativo) em cada ponto temporal usando um limiar baseado na média.
3. Modelagem de Entropia Máxima (MEM): Um Modelo de Entropia Máxima foi ajustado às séries temporais binarizadas para estimar a distribuição de probabilidade dos estados cerebrais. Este modelo preservou estatísticas observadas de primeira ordem (ativação média) e segunda ordem (correlações pareadas) enquanto maximizava a entropia. Os parâmetros do modelo (viés intrínseco $h_i$ e força de acoplamento $W_{ij}$) foram usados para calcular um valor de energia $E(x_k)$ para cada configuração possível de estado cerebral.
4. Análise da Paisagem: A paisagem de energia resultante foi analisada para identificar mínimos locais (estados estáveis) e máximos (estados transitórios). Métricas-chave incluíram o envelope de energia, a distribuição de valores extremos de energia (topo/fundo 20%), a frequência de transições entre mínimos e máximos e a magnitude dessas transições.

Essas características de alta ordem foram comparadas a características de baixa ordem (derivadas de redes de repouso canônicas: DMN, SN, SMN, LN) e conectividade funcional convencional (correlações de Pearson). Diferenças estatísticas entre grupos de memória de trabalho alta e baixa foram avaliadas usando testes U de Mann-Whitney. O desempenho preditivo foi avaliado usando classificadores Random Forest com Validação Cruzada Leave-One-Out (LOOCV), repetido 30 vezes para garantir robustez.

Principais Resultados

• Dinâmicas de Energia Distintas: Pacientes com pontuações pós-operatórias SSP mais baixas (baixa MT) exibiram menos, mas mais extremas, transições entre mínimos e máximos locais de energia. Por outro lado, pacientes com pontuações mais altas (alta MT) mostraram mudanças mais frequentes, mas menos extremas.
• Superioridade das Características de Alta Ordem: As características da paisagem de energia de alta ordem capturaram consistentemente diferenças entre grupos onde as redes canônicas de baixa ordem falharam. Especificamente, as características de alta ordem mostraram diferenças significativas entre grupos na distribuição dos 20% superiores e inferiores de valores de energia mais altos e mais baixos ($p=0,002$ e $p<0,001$, respectivamente) e na frequência de transição ($p=0,049$) e magnitude ($p=0,040$). As redes canônicas (DMN, SN, SMN, LN) geralmente mostraram resultados não significativos ou mistos para essas métricas específicas.
• Precisão Preditiva: O modelo Random Forest treinado em características de energia de alta ordem alcançou uma precisão média de 90%, um escore F1 de 87,5% e uma AUC de 0,95 na previsão de resultados de memória de trabalho pós-operatória. Isso superou significativamente os modelos baseados em características de energia de baixa ordem (precisão <80%) e conectividade funcional convencional.
• Importância das Características: A análise da importância das características em modelos combinados revelou que as características de energia de alta ordem contribuíram consistentemente com uma parcela maior para os preditores classificados no topo em comparação com as características de baixa ordem.

Significado e Alegações
Os autores afirmam que este é o primeiro estudo a relacionar características de paisagem de energia de alta ordem derivadas de rs-fMRI pré-cirúrgico com resultados de memória de trabalho pós-operatória em uma coorte de tumor cerebral. O estudo sugere que as interrupções induzidas pelo tumor nas dinâmicas neurais de alta ordem antes da cirurgia são preditivas dos resultados cognitivos pós-operatórios.

As descobertas indicam que o cérebro opera dentro de uma paisagem funcional mais restrita e energeticamente exigente em pacientes que sofrem de baixa memória de trabalho pós-operatória. Especificamente, a flexibilidade neural reduzida (menos transições) e custos energéticos mais altos para mudanças de estado (transições de maior magnitude) estão ligadas a resultados piores. Os autores postulam que essas características de energia de alta ordem servem como potenciais biomarcadores preditivos, abrindo caminho para o planejamento cirúrgico personalizado e intervenções direcionadas (como neuromodulação) para mitigar riscos cognitivos. No entanto, o artigo mantém um tom modesto quanto à tradução clínica, observando que a variabilidade inter-sujeito, a perda de informação durante a binarização e a necessidade de coortes maiores são limitações que devem ser abordadas antes que essas métricas possam ser amplamente adotadas na prática clínica.