Real-World Data for Predicting Rapid Relapse Triple Negative Cancer: A Study Using NCDB and EHR Data

Resumo Técnico: Dados do Mundo Real para a Predição de Recidiva Rápida de Câncer Triplo-Negativo

Definição do Problema
O câncer de mama triplo-negativo (CMTN) é um subtipo agressivo que representa 10–15% dos cânceres de mama, mas aproximadamente 40% das mortes relacionadas ao câncer de mama. Um subgrupo específico de pacientes, denominado CMTN de recidiva rápida (rrCMTN), apresenta recorrência ou morte relacionada ao câncer dentro de 24 meses após o diagnóstico. Esses pacientes são desproporcionalmente mais velhos, negros ou segurados por programas públicos (ex: Medicaid), e frequentemente deixam de receber o tratamento conforme as diretrizes (cirurgia e quimioterapia), o que é conhecido por reduzir o risco de recidiva rápida em 3 a 4 vezes. Embora o aprendizado de máquina (ML) tenha sido aplicado à mortalidade por câncer de mama e à classificação de subtipos, poucos estudos focaram na predição de recidiva rápida utilizando dados do mundo real (RWD) que incluam fatores sociodemográficos e de nível comunitário. Os modelos existentes frequentemente dependem de biomarcadores complexos ou demonstram apenas uma capacidade preditiva modesta (AUC ~0,77). O objetivo deste estudo foi desenvolver um Modelo Preditivo de Recidiva Rápida (rrPM) capaz de identificar pacientes de alto risco precocemente para facilitar intervenções oportunas.

Metodologia
O estudo empregou uma abordagem de dois estágios utilizando dados do National Cancer Database (NCDB) e do Registro de Câncer da Ohio State University (OSU).

• Fontas de Dados:

  • Treinamento/Validação: 47.048 pacientes com CMTN do NCDB (2010–2019) com estágio AJCC IB–IIIC e pelo menos 24 meses de acompanhamento.
  • Teste Externo: 281 pacientes com CMTN do Registro de Câncer da OSU (2012–2020) com critérios de inclusão semelhantes.
  • Definição de Desfecho: Recidiva rápida (rrCMTN) foi definida como mortalidade por todas as causas dentro de 24 meses do diagnóstico.
  • Características (Features): O modelo utilizou um conjunto parcimonioso de dados estruturados disponíveis no diagnóstico, incluindo sociodemografia (idade, raça, seguro, estado civil), necessidades comunitárias (educação e renda ao nível de setor censitário) e características clínicas (estágio AJCC, grau do tumor, Índice de Comorbidade de Charlson).

• Desenvolvimento do Modelo:

  • Algoritmos: Seis modelos de ML foram treinados: Regressão Logística, Árvore de Decisão, Random Forest, Naïve Bayes, Support Vector Machine (SVM) e XGBoost.
  • Tratamento de Desequilíbrio: Dada a prevalência da classe minoritária (~14,5% no NCDB), o estudo empregou a Técnica de Sobreamostragem de Minoria Sintética combinada com Tomek Links (SMOTE-Tomek) e ponderação algorítmica de classe.
  • Estratégia de Ensemble: Um ensemble empilhado (stacked ensemble) foi construído utilizando Regressão Logística, Árvore de Decisão e Random Forest como aprendizes base, com a Regressão Logística atuando como meta-aprendiz.
  • Aprendizado por Transferência e Otimização: O modelo de ensemble treinado nos dados do NCDB foi adaptado para os dados da OSU. Isso envolveu a aplicação do modelo pré-treinado aos dados locais, seguido de aprendizado por transferência (ajuste fino/fine-tuning) e otimização de limiar. O limiar de classificação foi ajustado para maximizar o F1-score mantendo alta Validade Preditiva Positiva (PPV) e sensibilidade, abordando a prevalência e distribuição específicas dos dados clínicos locais.

• Métricas de Avaliação: O desempenho foi avaliado por meio de Sensibilidade, Especificidade, PPV, Valor Preditivo Negativo (NPV), Acurácia e F1-score e ROC AUC.

Principais Resultados

• Desempenho Base do NCDB: Os modelos iniciais treinados nos dados do NCDB exibiram alto NPV (0,86–0,92), mas baixa sensibilidade (0,08–0,10) e baixo PPV (0,22–0,60). Embora o SMOTE e o ajuste de hiperparâmetros tenham melhorado a sensibilidade (até 0,68 para Naïve Bayes), os modelos geralmente tiveram dificuldade em identificar casos verdadeiros de recidiva rápida, com escores de ROC AUC variando de 0,59 a 0,71. O melhor ensemble de meta-aprendizado no NCDB alcançou uma sensibilidade de 0,63 e um F1-score de 0,38.
• Validação Externa (OSU): Quando os modelos treinados no NCDB foram testados diretamente no registro da OSU sem adaptação adicional, o desempenho permaneceu subótimo (ROC AUC ~0,71, Sensibilidade ~0,58 para o ensemble), confirmando um deslocamento de domínio entre os dados do registro nacional e os dados clínicos de um único centro.
• Desempenho Otimizado: Após a aplicação de aprendizado por transferência e otimização de limiar especificamente para os dados da OSU, o desempenho do modelo de ensemble melhorou dramaticamente. O modelo otimizado alcançou:
  • Sensibilidade: 0,87
  • Especificidade: 0,99
  • PPV: 0,90
  • NPV: 0,98
  • ROC AUC: 0,99
  • Acurácia: 0,98
  • F1-Score: 0,88

Significância e Alegações
O artigo afirma que a principal contribuição é o desenvolvimento bem-sucedido de uma ferramenta preditiva de alto desempenho para rrCMTN utilizando dados clínicos e sociodemográficos prontamente disponíveis, evitando a necessidade de biomarcadores complexos. O estudo demonstra que, embora modelos treinados em grandes conjuntos de dados nacionais (NCDB) possam não se generalizar diretamente para ambientes clínicos locais devido a deslocamentos de distribuição, o aprendizado por transferência combinado com a otimização de limiar pode adaptar eficazmente esses modelos para dados do mundo real.

Os autores sustentam que o rrPM otimizado, com sua alta sensibilidade e PPV, pode servir como uma ferramenta de suporte à decisão clínica (CDS). Ao identificar precocemente pacientes com alto risco de recidiva rápida, a ferramenta poderia facilitar a navegação direcionada do paciente, garantindo o acesso oportuno ao tratamento conforme as diretrizes e ao cuidado multidisciplinar, particularmente para populações vulneráveis. O modelo foi projetado para ser transponível para fluxos de trabalho de Fast Healthcare Interoperability Resources (FHIR), permitindo a potencial integração em prontuários eletrônicos via APIs.

Limitações e Direções Futuras
Os autores explicitamente observam limitações, incluindo o tamanho de amostra relativamente pequeno do conjunto de dados de validação clínica (n=281), o que pode afetar a generalização. Eles afirmam que os achados requerem validação externa prospectiva em conjuntos de dados independentes e maiores. Além disso, o artigo enfatiza que, embora o modelo apresente alta precisão preditiva, seu impacto real nos processos de cuidado e nos resultados dos pacientes ainda precisa ser determinado por meio de estudos de implementação e ensaios prospectivos que avaliem sua integração nos fluxos de trabalho clínicos.