Early prediction of skeletal muscle loss using longitudinal clinical data in patients with gastric cancer after radical gastrectomy and adjuvant chemotherapy: a retrospective cohort study

Este estudo de coorte retrospectiva demonstra que um modelo de perceptron multicamadas interpretável, utilizando dados clínicos longitudinais rotineiramente disponíveis, particularmente as alterações dinâmicas no estado nutricional e inflamatório, pode prever efetivamente a perda significativa de massa muscular esquelética em pacientes com câncer gástrico submetidos a gastrectomia radical e quimioterapia adjuvante.

O essencial

Imagine um paciente com câncer de estômago prestes a passar por uma cirurgia de grande porte (remoção parcial ou total do estômago) seguida de quimioterapia. Pense no corpo dele como um carro que precisa percorrer uma estrada muito acidentada e irregular. A cirurgia é como uma revisão completa e massiva do motor, e a quimioterapia é como dirigir através de uma tempestade de areia.

Infelizmente, durante essa jornada, o carro frequentemente perde a capacidade do seu "tanque de combustível". Em termos médicos, isso é perda de massa muscular esquelética. Quando os pacientes perdem muita massa muscular, têm dificuldade em suportar o tratamento, adoecem mais e apresentam resultados piores.

O Problema:
Atualmente, os médicos verificam o tanque de combustível (músculo) usando uma câmera especial chamada tomografia computadorizada (TC). No entanto, realizar esses exames repetidamente é caro, consome tempo e nem sempre é prático para todos os pacientes. Até o momento em que a tomografia mostra que o tanque está vazio, pode ser tarde demais para corrigir o problema facilmente.

A Solução:
Os pesquisadores deste artigo perguntaram: "Podemos prever quem vai perder o tanque de combustível antes que isso realmente aconteça, usando apenas os dados de check-up padrão que já temos?"

Eles construíram uma bola de cristal digital (um modelo de aprendizado de máquina) para responder a isso.

Como Eles Construíram a Bola de Cristal

1. Os Dados: Eles analisaram retrospectivamente 292 pacientes que já haviam passado pela cirurgia e quimioterapia.
2. O "Medidor de Combustível" (O Resultado): Eles usaram as tomografias computadorizadas para medir exatamente quanto de músculo cada paciente perdeu. Eles definiram "perda significativa" como a perda de 5% ou mais do índice muscular.
3. As Pistas (As Entradas): Em vez de usar novas tomografias, eles forneceram ao computador dados simples e cotidianos que já possuíam:
   • As Especificações do Carro: Idade, peso, altura e sexo.
   • O Relatório de Danos: Quão grande foi a cirurgia (remoção de todo o estômago versus apenas parte dele).
   • O Óleo do Motor: Resultados de exames de sangue, como hemácias, marcadores de inflamação e níveis nutricionais.
   • Os Sinais de Alerta Precoce: Como esses números sanguíneos mudaram no primeiro mês após a cirurgia.

A Corrida dos Preditores

Os pesquisadores não construíram apenas uma bola de cristal; eles construíram seis tipos diferentes de modelos de aprendizado de máquina (como diferentes tipos de algoritmos) e os colocaram em corrida uns contra os outros para ver qual poderia prever a perda muscular com mais precisão.

• O Vencedor: Um modelo chamado MLP (Perceptron Multicamada) venceu a corrida.
• A Pontuação: Ele identificou corretamente cerca de 83% dos pacientes que iriam perder massa muscular (alta "sensibilidade"), embora às vezes sinalizasse alguns pacientes saudáveis como de risco (menor "especificidade"). Os pesquisadores decidiram que isso era uma boa compensação, pois é melhor capturar um paciente de alto risco cedo do que perdê-lo completamente.

O Que a Bola de Cristal "Viu"

Usando uma ferramenta especial chamada SHAP (que atua como uma lupa para ver por que o modelo tomou uma decisão), os pesquisadores descobriram quais pistas eram mais importantes:

1. O Combustível Inicial (IMC): Quanto de músculo o paciente tinha para começar.
2. O Tamanho da Revisão (Tipo de Operação): Se todo o estômago foi removido ou apenas parte dele. Uma remoção total foi um fardo maior para o corpo.
3. O Estresse do Motor (Inflamação e Metabolismo): Marcadores sanguíneos mostrando o quanto de estresse e inflamação o corpo estava sofrendo.

A Principal Conclusão

O artigo afirma que não é necessário um novo exame de tomografia computadorizada caro para prever a perda muscular. Ao observar exames de sangue padrão, o tipo de cirurgia e como o corpo do paciente reagiu no primeiro mês após a cirurgia, este modelo digital pode identificar pacientes que provavelmente perderão massa muscular antes que isso se torne óbvio em uma tomografia.

O que o artigo NÃO afirma:

• Não afirma que este modelo está pronto para ser usado em hospitais amanhã (precisa de mais testes).
• Não afirma que o uso deste modelo salvará automaticamente vidas (é uma ferramenta de previsão, não uma cura).
• Não afirma que o modelo funciona para outros tipos de câncer (foi testado apenas em câncer de estômago).

Em resumo, os pesquisadores construíram uma ferramenta que usa dados antigos e de rotina para dar um alerta precoce sobre a perda muscular, permitindo que os médicos potencialmente intervenham mais cedo, em vez de esperar o "tanque de combustível" esvaziar completamente.

Resumo técnico

1. Declaração do Problema

Pacientes com câncer gástrico submetidos a gastrectomia radical e quimioterapia adjuvante frequentemente experimentam perda significativa de massa muscular esquelética (sarcopenia), o que correlaciona-se com baixa tolerância ao tratamento, aumento de complicações e desfechos adversos a longo prazo.

• Limitação Atual: O padrão-ouro para avaliar a perda muscular é a medição do Índice de Massa Muscular Esquelética (SMI) baseada em Tomografia Computadorizada (TC) no nível da vértebra L3. No entanto, este método é retrospectivo, trabalhoso e impraticável para monitoramento contínuo de rotina. No momento em que a perda muscular significativa é detectada via TC, a janela ótima para intervenção precoce pode ter passado.
• Necessidade Clínica: Existe uma necessidade não atendida de uma ferramenta de estratificação de risco precoce que utilize dados clínicos rotineiramente disponíveis (pré-operatórios e pós-operatórios precoces) para prever a subsequente perda muscular, permitindo intervenções nutricionais e de suporte oportunas sem depender de repetições de exames de TC.

2. Metodologia

Desenho do Estudo e População:

• Tipo: Estudo de coorte retrospectivo de centro único.
• Coorte: 292 pacientes com câncer gástrico submetidos a gastrectomia radical seguida de quimioterapia adjuvante (triados a partir de 362 candidatos iniciais).
• Divisão dos Dados: 70% conjunto de treinamento ($n=204$), 30% conjunto de validação ($n=88$).
• Pontos Temporais:
  1. Linha de Base: Exame de TC dentro de 2 semanas pré-cirurgia.
  2. Pós-operatório Precoce: Dados clínicos/laboratoriais em 1 mês pós-cirurgia.
  3. Acompanhamento: Exame de TC 3 meses após o início da quimioterapia adjuvante (aproximadamente 4 meses pós-cirurgia).

Definição de Desfecho:

• Alvo: Perda significativa de massa muscular esquelética definida como uma diminuição $\ge$5% no SMI entre a TC de linha de base e a de acompanhamento.
• Medição: Segmentação automatizada da área muscular L3 utilizando o toolkit de aprendizado profundo Comp2Comp, validado por dois radiologistas.

Características e Variáveis:

• Dados de Entrada: Demografia, características tumorais, valores laboratoriais (RBC, HGB, LDH, HCY), marcadores tumorais (CEA, CA199, CA724) e índices inflamatórios/nutricionais (NLR, LLR, PLR, SII, PNI).
• Características Longitudinais: Mudanças dinâmicas ($\Delta$) calculadas da linha de base até 1 mês pós-cirurgia para todas as variáveis acima.
• Pré-processamento: Dados faltantes tratados via imputação múltipla; variáveis contínuas padronizadas via normalização z-score.

Abordagem de Aprendizado de Máquina:

• Modelos Comparados: Seis algoritmos foram treinados e comparados: Random Forest (RF), XGBoost, LightGBM, CatBoost, Classificador de Vetor de Suporte (SVC) e Perceptron Multicamadas (MLP).
• Otimização: Ajuste de hiperparâmetros via busca aleatória com validação cruzada de 5 dobras.
• Interpretabilidade: SHAP (Explicações Aditivas de Shapley) foi aplicado ao modelo de melhor desempenho para quantificar a importância global das características e explicar previsões individuais.
• Métricas de Avaliação: ROC-AUC, PR-AUC, Acurácia, Precisão, Revocação (Recall), F1-score, Especificidade e Análise da Curva de Decisão (DCA) para utilidade clínica.
• Seleção de Limiar: Um limiar de decisão de 0,45 foi selecionado para priorizar a Revocação (minimizando falsos negativos) enquanto mantinha uma especificidade equilibrada, crucial para intervenção precoce.

3. Contribuições Principais

1. Framework de Previsão Precoce: Desenvolvimento de um modelo que prevê o risco de perda muscular utilizando apenas dados pré-operatórios e de 1 mês pós-operatório, deslocando a janela de previsão antes que a depleção muscular evidente ocorra nas imagens de acompanhamento.
2. Valor das Dinâmicas Longitudinais: Demonstrou que incorporar mudanças dinâmicas ($\Delta$) nas variáveis clínicas da linha de base até 1 mês pós-cirurgia melhora significativamente o desempenho preditivo comparado ao uso de dados de linha de base apenas.
3. Acessibilidade Clínica: O modelo depende inteiramente de dados clínicos de rotina (exames de sangue, demografia, tipo de cirurgia), tornando-o implantável em fluxos de trabalho clínicos padrão sem exigir repetições de exames de TC para avaliação de risco.
4. Interpretabilidade: Diferentemente de modelos "caixa preta", o estudo utilizou SHAP para revelar que a perda muscular é impulsionada por um tríade de fatores: reserva nutricional (IMC, PNI), carga cirúrgica (tipo de operação) e status inflamatório/metabólico (LDH, PLR, NLR).

4. Resultados

• Modelo de Melhor Desempenho: O Perceptron Multicamadas (MLP) superou todos os outros modelos.
  • Desempenho no Conjunto de Validação:
    • AUC: 0,757
    • PR-AUC: 0,745
    • Acurácia: 0,693
    • Revocação (Recall): 0,833 (Alta sensibilidade, crucial para capturar pacientes em risco)
    • Especificidade: 0,525
    • F1 Score: 0,748
• Comparação: O MLP superou significativamente o SVC, LightGBM, RF, XGBoost e CatBoost. Notavelmente, modelos com revocação perfeita (SVC, XGBoost) apresentaram especificidade próxima de zero, tornando-os clinicamente impraticáveis devido a falsos positivos excessivos.
• Impacto das Características Dinâmicas: O modelo MLP utilizando ambas as características de linha de base e longitudinais (AUC 0,757) teve desempenho superior ao modelo utilizando apenas características de linha de base (AUC 0,709), confirmando o valor do acompanhamento da recuperação pós-operatória precoce.
• Principais Preditores (Análise SHAP):
  • Principais Características: IMC, Tipo de Operação (Gastrectomia Total vs. Distal), LDH, PLR, HCY, Idade e LLR.
  • Interpretação: IMC mais alto e menor carga de operação (gastrectomia distal) foram protetores. Marcadores inflamatórios elevados (LDH, PLR) e idade mais avançada aumentaram o risco.

5. Significado e Implicações

• Utilidade Clínica: Esta ferramenta serve como um sistema de alerta precoce. Ao identificar pacientes de alto risco imediatamente após a cirurgia (no marco de 1 mês), os clínicos podem iniciar suporte nutricional proativo, reabilitação física e manejo metabólico antes que a perda muscular significativa se instale.
• Mudança de Paradigma: O estudo afasta-se do diagnóstico puramente baseado em imagem em direção a um fluxo de trabalho clínico preditivo e orientado por dados. Ele valida que exames de sangue de rotina e histórico clínico contêm sinal suficiente para prever mudanças na composição corporal.
• Direções Futuras: Embora o modelo mostre promessa, os autores reconhecem a necessidade de validação externa em coortes multicêntricas para garantir generalizabilidade entre diferentes populações e práticas cirúrgicas.

Conclusão: O estudo estabeleceu com sucesso um framework de aprendizado de máquina interpretável que aproveita dados clínicos longitudinais de rotina para prever perda de massa muscular esquelética em pacientes com câncer gástrico, oferecendo uma estratégia prática para cuidados de suporte personalizados.