Nationwide EHR-Based Chronic Rhinosinusitis Prediction Using Demographic-Stratified Models

Resumo Técnico: Predição de Rinosinusite Crônica Baseada em Prontuários Eletrônicos Nacionais Utilizando Modelos Estratificados por Demografia

Declaração do Problema
A rinosinusite crônica (RSC) é um distúrbio inflamatório heterogêneo que afeta aproximadamente 11–12% da população dos EUA, impondo significativos encargos de morbidade e financeiros. A identificação precoce é desafiadora porque os sintomas se sobrepõem a condições comuns como rinite alérgica, e o diagnóstico formal geralmente requer evidências objetivas de endoscopia nasal ou tomografias computadorizadas, que nem sempre estão disponíveis em ambientes de atenção primária. Estudos preditivos anteriores basearam-se em coortes de instituições únicas, limitando a generalizabilidade ao nível populacional, ou utilizaram modalidades intensivas em recursos, como sequenciamento genético e imageamento. Além disso, as abordagens existentes de aprendizado de máquina frequentemente falham em considerar a heterogeneidade demográfica pronunciada nos fenótipos da RSC, como mudanças dependentes da idade na patologia e diferenças específicas de sexo na apresentação da doença.

Metodologia
Os autores desenvolveram uma estrutura preditiva utilizando dados longitudinais nacionais de Prontuários Eletrônicos de Saúde (PES) do Programa de Pesquisa "All of Us" dos NIH, padronizados ao Modelo de Dados Comum OMOP. A metodologia consiste em três componentes principais:

1. Pré-processamento de Dados e Construção de Coorte:

   • Definição do Alvo: Casos de RSC foram identificados usando uma estratégia de fenotipagem baseada em regras, exigindo pelo menos dois códigos diagnósticos qualificados dentro de um período de dois anos. Os controles foram pareados por escore de propensão aos casos com base em idade, sexo, raça, etnia e frequência de visitas para mitigar o viés de vigilância.
   • Engenharia de Características: Logs transacionais brutos foram transformados em uma representação de características baseada na recência. Para cada variável clínica (condições, medicamentos, procedimentos), o valor da característica representa o número de dias entre o evento mais recente e a data índice. Eventos fora da janela de dois anos ou que nunca ocorreram receberam um valor sentinela (999.999) para permitir que modelos baseados em árvores distinguissem dados ausentes sem imputação.
   • Balanceamento: Uma estratégia de pareamento de vizinho mais próximo 1:1 foi empregada para criar uma coorte balanceada de 17.560 participantes (8.780 casos e 8.780 controles).

2. Seleção Híbrida de Características:
   Para abordar a esparsidade extrema e a dimensionalidade (mais de 110.000 códigos candidatos), um pipeline de duas etapas foi implementado:

   • Etapa 1 (Triagem Estatística Grossa): As variáveis foram classificadas pela diferença absoluta na prevalência entre casos e controles ($|P_{alvo} - P_{controle}|$). As 1.100 características principais (300 condições, 500 procedimentos, 300 medicamentos) foram retidas.
   • Etapa 2 (Triagem Fina Baseada em Modelo): Um classificador XGBoost global otimizado foi treinado nas 1.100 características. As características foram classificadas pela importância baseada em ganho de informação, e as 100 principais foram selecionadas. Este subconjunto representou 80,6% do valor SHAP cumulativo total, garantindo a preservação do poder preditivo ao mesmo tempo que aprimorava a interpretabilidade.

3. Modelagem Estratificada por Demografia:
   Reconhecendo que os fenótipos da RSC variam por sexo e idade, a coorte foi partitionada em seis estratos mutuamente exclusivos: Masculino/Feminino cruzado com três grupos etários (18–40, 40–60, 60+). Seis modelos independentes de XGBoost foram treinados, um para cada estrato. Cada modelo passou por otimização independente de hiperparâmetros usando o algoritmo Estimador Parzen Estruturado em Árvore Bayesiano (TPE) em 100 tentativas para maximizar a AUC-ROC.

Principais Contribuições

• Escala Nacional: Aproveitou a diversidade e a riqueza da coorte "All of Us" para superar as limitações de generalizabilidade dos estudos de instituição única.
• Seleção Híbrida de Características: Introduziu um pipeline que comprime mais de 110.000 códigos clínicos em 100 características interpretáveis, equilibrando parcimônia com desempenho preditivo.
• Estratificação Demográfica: Propôs uma estrutura de modelagem que considera explicitamente o dimorfismo sexual dependente da idade nos fenótipos da doença, treinando seis modelos adaptados em vez de um único modelo global.
• Aplicabilidade Clínica: Demonstrou que dados de PES coletados rotineiramente podem suportar estratificação de risco sem dependência de imageamento caro ou dados genéticos.

Resultados
A estrutura proposta de XGBoost estratificada por demografia alcançou uma Área sob a Curva (AUC) geral de 0,8461. Isso representou uma melhoria de 0,0168 sobre a melhor linha de base (um modelo global XGBoost com AUC 0,8293). O método proposto também superou os modelos de Random Forest (0,8159), SVM (0,8120) e Aprendizado Profundo (0,8072).

Crucialmente, a abordagem estratificada melhorou a discriminação em todos os seis subgrupos, com ganhos de AUC variando de +0,0076 a +0,0278. O modelo alcançou uma sensibilidade de 0,6889, superando significativamente as abordagens padrão de aprendizado de máquina, o que é clinicamente vantajoso para a triagem, garantindo que pacientes afetados não sejam negligenciados.

A análise da importância das características revelou sinais biológicos distintos entre os grupos:

• Masculinos: Os modelos priorizaram características estruturais e polipoides (por exemplo, desvio de septo nasal em homens mais jovens, pólipos nasais em homens mais velhos).
• Femininos: Os modelos favoreceram marcadores de inflamação mucosa e atopia (por exemplo, rinite alérgica, asma e marcadores infecciosos em mulheres mais velhas).

Significância
O artigo afirma que modelar explicitamente a heterogeneidade demográfica produz ganhos mensuráveis na predição de risco de RSC. Ao capturar os fatores de risco específicos associados a diferentes subgrupos de sexo e idade, a estrutura oferece uma ferramenta mais precisa para estratificação de risco representativa da população. Os autores sugerem que essa abordagem pode facilitar a triagem e a priorização de encaminhamento mais precoces em ambientes de atenção primária, particularmente quando o imageamento diagnóstico não está disponível, deslocando a tomada de decisão da impressão subjetiva para a predição baseada em evidências. O trabalho sublinha a utilidade de dados rotineiros de PES na identificação de casos potenciais de RSC antes da avaliação por especialista.