Routine laboratory trajectories encode the onset of organ-level complications in cancer

Resumo Técnico: Trajetórias Laboratoriais de Rotina Codificam o Surgimento de Complicações em Nível de Órgão no Câncer

Definição do Problema
Pacientes com câncer avançado, particularmente aqueles que requerem terapia multilinhas prolongada, como mieloma múltiplo e câncer de ovário, acumulam progressivamente complicações em nível de órgão através de múltiplos sistemas. Embora painéis laboratoriais de rotina sejam solicitados em quase todos os encontros clínicos, gerando registros longitudinais densos de função orgânica, esse sinal temporal permanece amplamente subexplorado. Ferramentas prognósticas existentes, como o escore CARG ou a escala CRASH, baseiam-se em valores pré-tratamento e falham ao não atualizar conforme a fisiologia muda ou ao não incorporar trajetórias laboratoriais através de múltiplas linhas de tratamento. Além disso, os modelos atuais específicos para doenças predizem eventos adversos agregados ou sobrevida, em vez do surgimento de complicações individuais associadas ao tratamento. Há uma carência de modelos que apliquem trajetórias laboratoriais brutas à estimativa de risco resolvida por complicação dentro de populações de câncer definidas utilizando dados coletados de rotina e padronizados.

Metodologia
O estudo treinou um modelo baseado em transformer para prever o surgimento em dois anos de 162 complicações associadas ao tratamento em oito categorias clínicas (incluindo síndromes mielodisplásicas, doença cardiovascular, doença renal e infecções).

• Fonte de Dados e Coorte: O modelo foi treinado com 2.775.955 medições laboratoriais estruturadas de 3.905 pacientes (1.855 com mieloma múltiplo, 2.050 com câncer de ovário) tratados em um único centro terciário entre 2000 e 2026. O conjunto de dados foi filtrado para incluir apenas 39 analitos testados rotineiramente (abrangendo painéis hematológicos, metabólicos, hepáticos, inflamatórios, de coagulação e endócrinos) para evitar o viés de indicação de testes especializados.
• Processamento de Dados: As trajetórias laboratoriais foram segmentadas em janelas de observação não sobrepostas de 10 a 30 dias. Valores ausentes foram tratados por um modelo de imputação dedicado baseado em transformer, treinado para reconstruir analitos mascarados, garantindo que o modelo de predição dependesse de valores fisiológicos em vez de padrões de testagem.
• Arquitetção do Modelo: Um codificador transformer bidirecional (baseado em componentes da arquitetura Qwen-3, incluindo embeddings posicionais rotativos e ativações SwiGLU) foi treinado do zero em dados laboratoriais estruturados sem pré-treinamento de linguagem. Os tokens de entrada codificaram valores normalizados por z-score dos 39 analitos e a idade do paciente, com um token de sexo binário anexado por sequência.
• Formulação da Tarefa: A tarefa foi formulada como classificação multirrótulo para prever a probabilidade de cada um dos 162 diagnósticos (mapeados a partir de códigos CID-10) ocorrendo dentro de 730 dias (dois anos) após a janela de entrada.
• Baselines e Validação: O transformer foi comparado com baselines não sequenciais (XGBoost e regressão logística) treinados com representações bag-of-words dos mesmos dados. A validação externa foi realizada em dois coortes independentes dos EUA: o banco de dados de cuidados críticos MIMIC-IV e o registro de mieloma múltiplo MMRF CoMMpass, sem ajuste fino ou recalibração específica de coorte.

Resultos Principais

• Desempenho Preditivo: O transformer previu o surgimento em dois anos de todos os oito grupos de doenças primárias acima de suas respectivas bases de prevalência. Os valores de AUROC variaram de 0,65 para diabetes tipo 2 a 0,75 para infecções fúngicas. O modelo alcançou um enriquecimento preditivo significativo, com as maiores razões observadas para desfechos raros (ex: síndromes mielodisplásicas mostraram um enriquecimento de 6,1 vezes; infecções fúngicas, 3,1 vezes).
• Vantagem Temporal: O transformer igualou ou superou os baselines não sequenciais em todos os oito desfechos agrupados, com ganhos de AUROC de até +0,11 para síndromes mielodisplásicas e +0,09 para infecções fúngicas. Isso demonstra que as trajetórias longitudinais capturam fisiologias evolutivas e específicas de cada complicação, inacessíveis por meio de medições isoladas.
• Coerência Biológica: As predições generalizaram-se entre ambos os tipos de câncer para cinco de oito desfechos (cardiovascular, infecções bacterianas, doença metastática, diabetes tipo 2, infecções fúngicas), apesar das diferenças mecanísticas na fisiopatologia da doença. Observou-se divergência em desfechos onde a assinatura laboratorial é específica da doença (ex: síndromes mielodisplásicas, onde a coorte de ovário apresentou zero prevalência no teste interno).
• Assinaturas de Biomarcadores: Análises de mascaramento revelaram que o modelo dependia de biomarcadores interpretáveis consistentes com a fisiopatologia conhecida. Por exemplo, a glicose dominou as predições de diabetes tipo 2, estimativas de filtração glomerular (eGFR) impulsionaram as predições de doença renal, e a contagem de glóbulos vermelhos foi crítica para síndromes mielodisplásicas. O mascaramento pareado indicou relações sinérgicas entre biomarcadores.
• Transferibilidade Externa: O modelo demonstrou transferibilidade para sistemas de saúde independentes (MIMIC-IV e MMRF CoMMpass) sem retreinamento. Desfechos renais e metabólicos transferiram-se de forma mais robusta (AUROC de até 0,85 no MIMIC-IV para estágios específicos de doença renal), enquanto o desempenho para complicações infecciosas variou, provavelmente devido a diferenças nos sistemas de codificação.

Significância e Alegações
Os autores afirmam que dados laboratoriais oncológicos de rotina codificam a deterioração de órgãos semanas ou meses antes do início clínico. A principal significância deste trabalho é a demonstração de que um sinal "específico de complicação" existe dentro de dados padrão e coletados rotineiramente, permitindo a vigilância sem infraestrutura de testes adicionais.

O artigo postula que esta abordagem oferece o "canal de monitoramento longitudinal denso mais barato disponível na oncologia", pois utiliza dados já produzidos por cada unidade de oncologia e armazenados em sistemas de informação hospitalar. Ao resolver 162 desfechos específicos em vez de riscos agregados, o modelo fornece orientação acionável e específica para cada complicação que os modelos atuais não possuem. Os autores enfatizam que as predições são impulsionadas por assinaturas de biomarcadores interpretáveis alinhadas com a fisiopatologia estabelecida, mantendo o modelo auditável em vez de opaco.

O estudo conclui que, embora a validação prospectiva seja necessária para estabelecer limiares de decisão para intervenção clínica, a infraestrutura de dados para detectar esses sinais temporais já está em vigor, oferecendo um caminho para gêmeos digitais de nível de paciente no câncer, onde as representações do estado do órgão são continuamente atualizadas.