Using multiomic data to predict postoperative complications after major surgery in the UK Biobank cohort

Este estudo utilizando a coorte UK Biobank concluiu que a adição de dados metabolômicos e proteômicos coletados em momento distante da cirurgia não melhora a previsão de complicações pós-operatórias em comparação com variáveis clínicas padrão, embora a aprendizagem por transferência tenha demonstrado potencial para estabilizar os modelos.

O essencial

Imagine que você vai passar por uma grande cirurgia. O médico precisa saber se você corre o risco de ter complicações depois da operação, como um problema no coração, nos rins ou uma infecção na ferida.

Normalmente, os médicos usam um "checklist" básico: sua idade, se você fuma, se tem diabetes ou pressão alta. É como olhar para a capa de um livro para tentar adivinhar a história.

Os cientistas deste estudo perguntaram: "E se pudéssemos olhar para o 'conteúdo' do livro? E se usássemos testes de sangue super avançados (chamados de 'multiômica') para ver o que está acontecendo dentro das células do seu corpo?"

Eles queriam saber se esses testes de alta tecnologia, que medem milhares de proteínas e substâncias químicas no sangue, ajudariam a prever problemas cirúrgicos com mais precisão do que o checklist básico.

O que eles fizeram?

Eles usaram um banco de dados gigante do Reino Unido (o UK Biobank), que tem informações de meio milhão de pessoas. Eles pegaram dados de pessoas que fizeram cirurgias e tentaram prever 6 tipos de complicações diferentes.

Aqui está o problema principal, explicado com uma analogia:

A Analogia da Foto Antiga vs. O Clima de Hoje
Imagine que você quer prever se vai chover forte amanhã.

• O Checklist Básico: Você olha para o céu agora, vê nuvens escuras e sente umidade. É uma previsão boa.
• Os Testes Avançados (Multiômica): Os cientistas pegaram uma foto do seu guarda-chuva e da sua roupa de chuva tirada 6 anos atrás.

O estudo descobriu que, mesmo com a tecnologia super moderna, olhar para a "foto de 6 anos atrás" (o sangue coletado anos antes da cirurgia) não ajudou a prever o clima de amanhã (a cirurgia) melhor do que olhar para o céu agora (os dados clínicos básicos).

O que eles descobriram?

1. A tecnologia não foi melhor que o básico: Adicionar os dados complexos de proteínas e metabólitos não melhorou a previsão. O modelo simples (idade, histórico médico) funcionou tão bem quanto o modelo super complexo.
2. O tempo é o vilão: O sangue foi coletado, em média, 6 anos antes da cirurgia. O corpo muda muito em 6 anos. O que estava no seu sangue naquela época não reflete mais como seu corpo está reagindo agora, na véspera da operação. É como tentar prever o desempenho de um carro de corrida usando a manutenção feita em 2018, quando o carro está sendo preparado para uma corrida hoje.
3. A "Aprendizagem por Transferência" funcionou (mas não foi mágica): Os cientistas tentaram uma técnica inteligente chamada "aprendizagem por transferência". Eles ensinaram o computador a reconhecer padrões de doenças crônicas em pessoas que não fizeram cirurgia e tentaram aplicar esse conhecimento nas pessoas que fizeram.
   • O resultado: Isso ajudou o computador a ficar mais estável e menos confuso (como um aluno que estuda muito antes do exame), mas ainda não conseguiu superar o método simples de olhar os dados clínicos atuais.

A Lição Principal

Se você é um paciente ou um médico, a mensagem é tranquilizadora e econômica:

• Não precisamos de exames caros e complexos anos antes da cirurgia para saber se você vai ter complicações.
• Os dados clínicos que já temos (idade, doenças existentes, tipo de cirurgia) são muito fortes e suficientes.
• Se quisermos usar essa tecnologia de ponta, ela precisa ser feita bem perto da hora da cirurgia (talvez no dia anterior), para capturar o estado atual do seu corpo, e não o estado de anos atrás.

Resumo em uma frase:
Tentar prever o futuro de uma cirurgia olhando para o sangue de 6 anos atrás é como tentar adivinhar o resultado de uma partida de futebol olhando para a ficha técnica dos jogadores de 10 anos atrás; o time mudou, e o que importa é como eles estão jogando hoje.

Resumo técnico

Título: Uso de dados multiômicos para prever complicações pós-operatórias após cirurgias maiores na coorte do UK Biobank

1. Problema e Contexto

As complicações pós-operatórias representam um motor significativo de morbidade, mortalidade e uso de recursos na saúde global, afetando até 15% dos pacientes. Atualmente, as ferramentas de estratificação de risco pré-operatório baseiam-se principalmente em fatores demográficos e sistemas de pontuação clínica (como o grau de status físico ASA). No entanto, essas ferramentas falham em capturar a heterogeneidade biológica individual, deixando uma parcela substancial do risco perioperatório não contabilizada.

O estudo investiga se a adição de dados de alta dimensão (metabolômicos e proteômicos) aos variáveis clínicos padrão pode melhorar a precisão na previsão de uma gama de complicações pós-operatórias. Um desafio central abordado é a "maldição da dimensionalidade" (muitas variáveis, poucas amostras) e o fato de que, em grandes biobancos como o UK Biobank, as amostras biológicas são frequentemente coletadas anos antes do evento cirúrgico, levantando questões sobre a relevância temporal desses dados para riscos agudos.

2. Metodologia

O estudo utilizou dados do UK Biobank, uma coorte prospectiva de grande escala.

• Cohorte e Desenho:

  • População: 158.156 indivíduos que realizaram cirurgias maiores (definidas por códigos OPCS4).
  • Subconjunto com Dados Ômicos: Um subconjunto de participantes possuía dados metabolômicos (Nightingale Health, 251 biomarcadores) e/ou proteômicos (Olink Explore, até 2.922 biomarcadores).
  • Intervalo Temporal: A mediana do tempo entre a coleta da amostra e a cirurgia foi de 6 anos (variando de 1 dia a 15,5 anos).
  • Desfechos Primários: Seis fenótipos de complicações dentro de 30 dias pós-cirurgia: Fibrilação Atrial (FA), Lesão Renal Aguda (LRA), Infarto Agudo do Miocárdio (IAM), Delirium, Acidente Vascular Cerebral (AVC) e Infecção do Sítio Cirúrgico (ISC).

• Abordagens de Modelagem:

  1. Modelagem Direta Pós-Operatória: Treinamento de modelos de regressão logística com penalização Elastic Net (combinando LASSO e Ridge) dentro de um classificador Balanced Bagging para lidar com desequilíbrio de classes.
     • Features: Variáveis clínicas (idade, sexo, Índice de Comorbidade de Charlson, método de admissão, categoria da cirurgia) vs. Variáveis clínicas + Metabolômica + Proteômica.
     • Redução de Dimensionalidade: Uso de Autoencoders (AEs) para comprimir os dados ômicos em um espaço latente de 16 dimensões.
  2. Aprendizado por Transferência (Transfer Learning): Para superar a escassez de amostras nos fenótipos pós-operatórios, modelos foram treinados primeiro em fenótipos não cirúrgicos (crônicos) usando dados ômicos. As probabilidades previstas desses modelos foram então usadas como features adicionais para prever os desfechos pós-operatórios.

• Validação:

  • Validação cruzada estratificada repetida (k-fold) adaptada ao tamanho da amostra.
  • Métricas de desempenho: Área sob a curva ROC (AUROC), Sensibilidade (Recall) e Especificidade.
  • Teste estatístico: Corrected Resampled t-test com correção de FDR (False Discovery Rate) para comparações entre modelos.

3. Resultados Principais

• Desempenho dos Modelos Clínicos Basais: Os modelos baseados apenas em variáveis clínicas demonstraram desempenho robusto (AUROC entre 0,72 e 0,88; Sensibilidade entre 0,71 e 0,80).
• Impacto dos Dados Ômicos: A adição de dados metabolômicos e/ou proteômicos não resultou em melhoria clinicamente significativa no desempenho preditivo para nenhum dos fenótipos clínicos estudados.
  • Em alguns casos (ex: IAM), a variabilidade aumentou devido ao tamanho amostral insuficiente.
  • Para Infecção do Sítio Cirúrgico (ISC), a adição de dados proteômicos melhorou ligeiramente a especificidade, mas não a sensibilidade ou o AUROC global de forma clinicamente relevante.
• Aprendizado por Transferência:
  • O uso de aprendizado por transferência de domínios não pós-operatórios melhorou a estabilidade do modelo (redução da variância nas previsões), especialmente para desfechos com poucas amostras (IAM, AVC).
  • No entanto, mesmo com transferência, os modelos não superaram o desempenho dos modelos clínicos basais em termos de métricas preditivas.
  • Para ISC, a transferência de um fenótipo de infecção de pele não cirúrgica resultou em menor sensibilidade, indicando limitações na escolha do domínio de origem.

4. Contribuições Chave

• Evidência de Escala: Este é um dos primeiros estudos de grande escala a avaliar sistematicamente o valor incremental de dados multiômicos (metabolômica e proteômica) para risco cirúrgico agudo, superando as limitações de estudos anteriores com coortes pequenas e de centro único.
• Análise de Temporalidade: O estudo destaca criticamente o impacto do intervalo temporal entre a coleta de biomarcadores e o evento cirúrgico. A falta de benefício sugere que perfis ômicos históricos não capturam a "reserva fisiológica" imediata necessária para resistir ao insulto inflamatório da cirurgia.
• Validação de Transferência: Demonstra que, embora a transferência de aprendizado possa estabilizar modelos em cenários de dados escassos, ela não supera a utilidade de variáveis clínicas simples se o domínio de origem não for perfeitamente alinhado ou se os dados ômicos não forem relevantes para o contexto agudo.
• Reprodutibilidade: O código e os dados são disponibilizados publicamente, permitindo a reprodutibilidade da análise complexa de machine learning em dados de biobanco.

5. Significado e Conclusões

• Parsimônia na Prática Clínica: Os resultados apoiam o princípio de que, para estratificação de risco pré-operatória, variáveis clínicas padrão (idade, comorbidades, tipo de cirurgia) são suficientes e superiores em custo-benefício à adição de perfis ômicos coletados a distância temporal da cirurgia.
• Relevância Temporal dos Biomarcadores: A conclusão central é que os dados ômicos devem ser coletados no período perioperatório imediato (pré-cirúrgico agudo) para capturar a fisiologia dinâmica e o declínio subclínico que precedem complicações. Dados históricos de biobancos, embora úteis para doenças crônicas, não são adequados para prever eventos agudos cirúrgicos.
• Futuro da Pesquisa: Sugere-se que futuras pesquisas devem focar em:
  1. Coleta de dados ômicos no período perioperatório imediato.
  2. Refinamento de técnicas de aprendizado por transferência para fenótipos cirúrgicos específicos.
  3. Investigação de como o estresse cirúrgico pode "desmascarar" vulnerabilidades biológicas latentes.

Em suma, o estudo conclui que, no contexto atual do UK Biobank, a complexidade e o custo de perfis multiômicos não são justificados para a previsão de complicações pós-operatórias quando comparados a modelos clínicos tradicionais, devido principalmente à desconexão temporal entre a medição biológica e o evento cirúrgico.