A Method for Characterizing Disease Progression from Acute Kidney Injury to Chronic Kidney Disease

Resumo Técnico: Caracterização da Progressão da Lesão Renal Aguda para Doença Renal Crônica

1. Problema e Motivação

A Lesão Renal Aguda (LRA) é uma condição grave e comum, afetando até 50% dos pacientes em UTI e 20% das admissões hospitalares. Sobreviventes à LRA enfrentam um risco elevado de desenvolver Doença Renal Crônica (DRC), com taxas de incidência que podem chegar a 25,8 casos por 100 pacientes-ano.
O principal desafio identificado é a dificuldade em identificar quais pacientes com LRA estão em maior risco de progressão para DRC. A maioria dos estudos existentes baseia-se em características estáticas de um único ponto no tempo (como demografia e comorbidades), falhando em capturar fatores dinâmicos e variáveis no tempo que influenciam os desfechos. Além disso, muitas pesquisas focam em subtipos específicos de LRA (ex.: associada a sepse) ou em mortalidade, negligenciando a trajetória de progressão para a DRC.

2. Metodologia

O estudo utilizou uma abordagem orientada por dados, analisando registros eletrônicos de saúde (EHR) longitudinais de um grande banco de dados (NewYork-Presbyterian/Columbia University Irving Medical Center). O processo metodológico envolveu quatro etapas principais:

• Construção da Coorte: Foram incluídos 20.699 pacientes com um primeiro episódio de LRA documentado (definido por critérios de aumento de creatinina ≥50% em relação à linha de base) sem diagnóstico prévio ou concomitante de DRC.
• Representação de Pacientes (Embeddings):
  • Dados Clínicos: Sequências temporais de códigos médicos (condições, medicamentos, procedimentos) foram transformadas em vetores usando modelos Paragraph Vector treinados em EHRs.
  • Dados Fisiológicos: Séries temporais de creatinina e idade foram processadas através de um modelo baseado em Transformers (pré-treinado com aprendizado auto-supervisionado e ajustado para classificação de DRC) para gerar embeddings temporais.
  • Vetor Final: A concatenação dos embeddings de códigos médicos e de creatinina formou vetores de estado do paciente ao longo do tempo.
• Identificação de Estados Clínicos: Foi aplicada a técnica de agrupamento (clustering) KMeans++ sobre todos os vetores de pacientes para identificar padrões distintos de evolução pós-LRA. O número ótimo de clusters (15 estados) foi determinado pelo método do cotovelo e validado por um nefrologista especialista.
• Modelagem de Estados Múltiplos (Multi-state Modeling): Um modelo de Markov não homogêneo no tempo foi utilizado para estimar as probabilidades de transição entre os 15 estados clínicos identificados e para os estados terminais (desenvolvimento de DRC ou morte). O estimador de Aalen-Johansen foi utilizado para calcular essas probabilidades.
• Análise de Sobrevivência: Modelos de riscos proporcionais de Cox (ponderados para lidar com violações da proporcionalidade e risco competitivo de morte) foram usados para identificar fatores de risco específicos para o desenvolvimento de DRC dentro de diferentes subpopulações (estados iniciais e transições entre estados).

3. Resultados Principais

• Evolução da Coorte: De 20.699 pacientes, 3.491 (17%) desenvolveram DRC. A mediana do tempo até o diagnóstico de DRC foi de 152 dias.
• Estados Clínicos Distintos: O modelo identificou 15 estados clínicos pós-LRA distintos, cada um com perfis de doenças predominantes (agrupados por sistemas orgânicos) e probabilidades variadas de progressão para DRC.
  • A maioria dos pacientes (75%) permaneceu em um único estado ou fez apenas uma transição durante o período de estudo.
  • Os estados iniciais mais comuns foram S0 (39%), S4 (30%) e S5 (29%).
• Fatores de Risco Específicos: A análise revelou que os fatores de risco para DRC variam significativamente dependendo do estado clínico do paciente:
  • Fatores Conhecidos: Gravidade da LRA, diabetes, hipertensão, insuficiência cardíaca e doença hepática foram confirmados como fatores de risco, mas com impacto variável entre os estados.
  • Novos Insights:
    • No estado S0, níveis mais altos de potássio no dia 1 aumentaram o risco, enquanto níveis mais altos de sódio foram protetores.
    • No estado S4, temperatura mais alta e pressão arterial sistólica no dia 1 foram fatores de risco, enquanto o uso de inibidores do sistema renina-angiotensina (RAS) foi protetor.
    • Para pacientes que transitaram de S0 para S12, o uso de AINEs e temperatura corporal mais alta foram associados a maior risco de DRC.
    • Curiosamente, a sepse na admissão no estado S0 pareceu ter um efeito protetor contra a DRC, alinhando-se a estudos anteriores sobre recuperação renal.

4. Contribuições Chave

1. Abordagem Dinâmica e Escalável: Apresenta um método inovador que utiliza dados longitudinais de EHR para rastrear a evolução clínica de forma dinâmica, superando as limitações de estudos estáticos.
2. Integração Multimodal: Combina sequências temporais de códigos médicos estruturados com trajetórias fisiológicas específicas (creatinina) via deep learning, oferecendo uma representação mais completa do paciente.
3. Modelagem de Transição: Aplica modelagem de estados múltiplos para mapear caminhos de progressão da doença, permitindo a estimativa de probabilidades de transição ao longo do tempo.
4. Descoberta de Fenótipos: Identifica subpopulações de pacientes com LRA com perfis de risco distintos, revelando fatores de risco e protetores que não seriam detectados em análises agregadas.

5. Significado e Implicações

Este estudo demonstra a viabilidade de usar mineração de dados de EHR para extrair insights clínicos acionáveis sobre a progressão de doenças agudas para crônicas.

• Suporte à Decisão Clínica: O framework pode ser a base para ferramentas de suporte à decisão integradas aos EHRs, ajudando os clínicos a identificar precocemente pacientes com LRA de alto risco para DRC, permitindo monitoramento ambulatorial mais próximo e intervenções precoces.
• Generalização: A metodologia é adaptável para outras condições que envolvem transição de estado agudo para crônico (ex.: lesão hepática aguda para cirrose descompensada), combinando biomarcadores específicos com histórico clínico longitudinal.
• Medicina de Precisão: Ao estratificar os pacientes em subgrupos baseados em sua trajetória clínica real, o estudo apoia o avanço da medicina de precisão no manejo da doença renal.

Limitações: O estudo foi realizado em um único centro terciário, o que pode limitar a generalização. Além disso, a dependência de dados estruturados (excluindo notas clínicas não estruturadas) e a disponibilidade limitada de dados de urina foram citadas como limitações.