Comparative Evaluation of Machine Learning and Deep Learning Models for Early Prediction of Severe Acute Pancreatitis: A Multi-Model Study Using the 2012 Revised Atlanta Classification

Resumo Técnico: Avaliação Comparativa de Modelos de ML e DL para Predição Precoce de SAP

Definição do Problema
A pancreatite aguda (PA) é uma emergência gastrointestinal frequente, na qual aproximadamente 10–20% dos pacientes progridem para pancreatite aguda grave (SAP), uma condição associada a 20–40% de mortalidade e utilização significativa de recursos de terapia intensiva. A identificação oportuna da SAP é crítica para a escalada precoce do cuidado. No entanto, os sistemas de pontuação de gravidade clínica estabelecidos (ex: Ranson, APACHE II, BISQ, MCTSI) dependem de dados acumulados ao longo de 24–48 horas ou requerem exames de TC com contraste, limitando sua utilidade para triagem imediata no momento da admissão hospitalar. Existe uma necessidade não atendida de ferramentas de predição capazes de estratificar a gravidade utilizando dados de rotina disponíveis no momento da apresentação.

Metodologia
Este estudo realizou uma avaliação retrospectiva e multimodelos em uma coorte chinesa de 722 pacientes com PA (585 graves, 137 leves/moderados), rotulados de acordo com a Classificação de Atlanta Revisada de 2012. As características de entrada consistiram em 13 variáveis de rotina na admissão, incluindo valores laboratoriais (WBC, PCR, creatinina, BUN, glicose, cálcio, LDH, albumina, hematócrito) e medições clínicas (idade, IMC, frequência cardíaca, pressão arterial sistólica).

Os autores avaliaram 11 modelos distintos em três famílias arquiteturais usando validação cruzada estratificada de 5 dobras para lidar com o desequilíbrio de classes (prevalência de SAP de 81%):

1. Aprendizado de Máquina Clássico: Regressão Logística (L2 regularizada), Random Forest (500 estimadores, pesos balanceados) e Gradient Boosting (200 estimadores).
2. Aprendizado Profundo Feedforward: Um MLP padrão de 3 camadas, um MLP Residual e um MLP de Atenção.
3. Aprendizado Profundo Recorrente: LSTM padrão, LSTM Empilhada, LSTM Bidirecional, LSTM com atenção aditiva e um híbrido CNN-LSTM.

Os modelos de aprendizado profundo foram adaptados para dados tabulares transversais através do remodelamento de vetores de características em sequências de comprimento um. O desempenho foi avaliado via AUC-ROC, escore F1, sensibilidade, especificidade e PPV, com limiares de decisão otimizados para maximizar o F1 nas dobras de treinamento.

Resultos Principais

• Superioridade do ML Clássico: Métodos de conjunto clássicos superaram todas as arquiteturas de aprendizado profundo. O Random Forest (RF) alcançou o maior AUC de 0,877 (F1 = 0,917, Sensibilidade = 96,8%, PPV = 87,1%). O Gradient Boosting seguiu de perto com um AUC de 0,874.
• Desempenho do Aprendizado Profundo: Entre os modelos de aprendizado profundo, o MLP padrão teve o melhor desempenho (AUC = 0,836), superando as variantes Residual e de Atenção. Os modelos recorrentes (família LSTM) demonstraram o menor poder discriminativo, com AUCs variando entre 0,684 e 0,777.
• Falha do Modelo Recorrente: O CNN-LSTM foi o modelo recorrente de melhor desempenho (AUC = 0,777), mas permaneceu inferior a todas as abordagens clássicas. A maioria das variantes de LSTM alcançou 100% de sensibilidade, mas ao custo de um "colapso de limiar" (limiares de decisão próximos a zero), prevendo efetivamente a classe majoritária (SAP) para todos os inputs, tornando-os clinicamente não discriminativos.
• Sensibilidade vs. Especificidade: Embora o RF tenha alcançado alta sensibilidade (96,8%), ele manteve um PPV de 87,1%. Em contraste, os modelos de aprendizado profundo frequentemente sacrificaram totalmente a especificidade para alcançar a sensibilidade máxima, resultando em PPV incomputável ou desprezível em contextos clínicos significativos.

Principais Contribuições

1. Comparação Sistemática: O estudo fornece uma comparação rigorosa e direta de 11 modelos abrangendo ML clássico, aprendizado profundo feedforward e arquiteturas de aprendizado profundo recorrente para a predição precoce de SAP.
2. Insight Arquitetural: Demonstra que, para dados médicos tabulares transversais de encontro único, as arquiteturas recorrentes (LSTMs) não oferecem vantagem e frequentemente apresentam desempenho inferior comparado aos métodos de conjunto clássicos. O estudo destaca que o viés indutivo de conjuntos de árvores é mais adequado para vetores de características independentes do que modelos sequenciais forçados sobre dados não sequenciais.
3. Implementação de Código Aberto: Os autores disponibilizaram o pipeline completo de análise, código de pré-processamento e artefatos de modelos treinados para facilitar a reprodutibilidade e pesquisas futuras.

Significância e Alegações
O artigo afirma que o Random Forest fornece uma ferramenta robusta de alta sensibilidade para a predição precoce da gravidade da SAP usando apenas dados de rotina da admissão, potencialmente permitindo uma triagem mais precoce do que os atuais sistemas de pontuação de 24–48 horas. Os achados apoiam a utilidade clínica contínua do aprendizado de máquina clássico em dados médicos estruturados, desafiando a suposição de que o aprendizado profundo é universalmente superior.

Os autores declaram explicitamente que o valor agregado limitado das arquiteturas recorrentes neste cenário deve-se provavelmente ao descompasso entre a natureza sequencial das LSTMs e a natureza transversal do conjunto de dados. Eles concluem que, embora os modelos sejam promissores, a validação prospectiva externa é necessária antes da implementação clínica. O estudo reconhece limitações, incluindo o design de coorte única (centro terciário chinês), potencial viés de encaminhamento e a falta de comparação direta com escores clínicos estabelecidos (BISAP, APACHE II) no mesmo conjunto de dados. Os modelos destinam-se estritamente a fins de pesquisa e não são validados para guiar o manejo do paciente.