Machine learning prediction of obstructive coronary artery disease using opportunistic coronary calcium and epicardial fat assessments from CT calcium scoring scans

Resumo Técnico: Predição de Doença Arterial Coronariana Obstrutiva por Aprendizado de Máquina Usando Avaliações Oportunísticas de Escore de Cálcio em TC

Declaração do Problema
A angiografia por tomografia computadorizada de coronárias (CCTA) é o padrão-ouro para diagnosticar doença arterial coronariana (CAD) obstrutiva, mas enfrenta limitações relacionadas ao custo, à dependência de contraste iodado e à exposição à radiação. Por outro lado, o escore de cálcio em TC sem contraste (CTCS) é uma modalidade amplamente disponível e custo-efetiva, utilizada principalmente para estratificação de risco com base no escore de Agatston. No entanto, sua utilidade para diagnosticar diretamente CAD obstrutiva é limitada, particularmente em pacientes com escores de cálcio zero ou baixos que ainda podem abrigar placas obstrutivas não calcificadas. Este estudo aborda a lacuna na utilização de exames CTCS sem contraste, prontamente disponíveis, para prever CAD obstrutiva com maior precisão diagnóstica do que os métodos de pontuação tradicionais isoladamente.

Metodologia
O estudo utilizou uma análise secundária de 1.324 pacientes do ensaio clínico SCOT-HEART que realizaram tanto CTCS sem contraste quanto CCTA com contraste. CAD obstrutiva foi definida como um escore CAD-RADS de 4A, 4B ou 5, enquanto escores 0–3 foram classificados como não obstrutivos.

Os pesquisadores desenvolveram uma estrutura de aprendizado de máquina envolvendo as seguintes etapas:

1. Extração de Características: Um conjunto abrangente de 424 características foi extraído de imagens CTCS e registros clínicos:
   • Clínicas: 24 variáveis incluindo demografia, fatores de risco e histórico medicamentoso.
   • Cálcio-ômica: 189 biomarcadores quantitativos extraídos em múltiplas escalas espaciais (lesões individuais, territórios coronarianos e coração inteiro). Estes incluíram características radiômicas (massa, volume, estatísticas de Unidades Hounsfield, descritores de forma) e métricas espaciais (difusividade, distribuição de lesões).
   • Gordura-ômica: 211 biomarcadores derivados do tecido adiposo epicárdico (EAT) segmentado dentro do pericárdio. As características incluíam atributos morfológicos, estatísticas baseadas em intensidade (valores HU, entropia) e padrões de distribuição espacial através de fatias axiais e fitas concêntricas.
2. Seleção de Características: O algoritmo CatBoost foi treinado com validação cruzada de 5 dobras. Valores SHapley Additive exPlanations (SHAP) foram calculados para classificar a importância das características e selecionar o subconjunto mais preditivo.
3. Desenvolvimento do Modelo: Três modelos foram treinados e comparados usando o método de boosting de gradiente CatBoost:
   • Modelo 1: Apenas características clínicas.
   • Modelo 2: Características clínicas + características de cálcio-ômica.
   • Modelo 3: Características clínicas + características de cálcio-ômica + características de gordura-ômica.
4. Avaliação: O desempenho foi avaliado por meio de 1.000 iterações de validação cruzada de 5 dobras usando sensibilidade, especificidade, acurácia, AUROC e AUPRC. O modelo CatBoost também foi comparado com SVM, Random Forest, XGBoost e LightGBM.

Principais Resultados

• Seleção de Características: Das 424 características iniciais, o método CatBoost-SHAP identificou 14 como mais preditivas para o Modelo 3. Notavelmente, as duas principais características foram variáveis de gordura-ômica (especificamente volume de EAT nas faixas de HU de -70 a -50 e de -50 a -30 no 25% superior do coração), enquanto as 12 restantes foram de cálcio-ômica. Nenhuma variável clínica foi selecionada para o modelo otimizado final, indicando que as características derivadas de imagens possuíam poder preditivo suficiente por si só.
• Desempenho do Modelo: O Modelo 3 (integrando todos os tipos de dados) alcançou o maior desempenho com sensibilidade de 83,1±4,6%, especificidade de 93,8±1,7%, acurácia de 85,3±2,0% e pontuação F1 de 73,9±3,3%.
• Análise Comparativa: A inclusão de características de gordura-ômica melhorou significativamente o desempenho em relação ao Modelo 2, aumentando a AUROC de 0,886 para 0,918 e a AUPRC de 0,738 para 0,823. O CatBoost superou consistentemente outros algoritmos (SVM, RF, XGBoost, LightGBM).
• Casos com CAC Zero: O modelo demonstrou a capacidade de identificar corretamente CAD obstrutiva em pacientes com escores de cálcio zero ou mínimos, um cenário onde a pontuação tradicional frequentemente produz falsos negativos. Por outro lado, classificou com precisão casos com altos escores de cálcio que não resultaram em obstrução.

Significado e Alegações
Os autores afirmam que este estudo demonstra o potencial de exames CTCS sem contraste, realizados de forma oportunística, para servir não apenas à estratificação de risco, mas também à detecção direta de CAD obstrutiva. Ao aproveitar dados "ômicos" de alta dimensão (cálcio e gordura) em vez de escores convencionais isoladamente, a estrutura captura informações biológicas sutis e complementares relacionadas à carga de placa e inflamação perivascular.

O estudo destaca que a avaliação quantitativa da gordura epicárdica, particularmente em faixas específicas de Unidades Hounsfield e localizações anatômicas próximas às artérias coronárias, fornece valor preditivo crítico. Esta abordagem oferece um caminho para melhorar a tomada de decisão clínica e potencialmente reduzir a dependência de procedimentos diagnósticos com contraste ou invasivos, especialmente em grupos de pacientes de baixo a intermediário risco. Os autores observam que, embora o modelo mostre promessa, sua implementação clínica requer validação adicional em populações maiores e diversas e otimização para reduzir o tempo de processamento (atualmente 10–15 minutos por exame).