Screening for Probable Undiagnosed Hypertension in US Adults Using Interpretable Machine Learning: An NHANES 2017-2018 Study

Resumo Técnico: Triagem para Hipertensão Provável Não Diagnosticada Usando Aprendizado de Máquina Interpretável

Definição do Problema
A hipertensão continua sendo um desafio crítico de saúde global, afetando aproximadamente 1,28 bilhão de adultos em todo o mundo, embora menos da metade esteja ciente de sua condição. A hipertensão não diagnosticada leva à morbidade e mortalidade cardiovascular evitáveis por meio de danos silenciosos aos órgãos. Embora o aprendizado de máquina (ML) tenha sido aplicado à predição de risco de hipertensão, a maioria dos modelos existentes depende de variáveis laboratoriais (ex: painéis lipídicos, função renal) indisponíveis em ambientes com recursos limitados ou comunitários. Além disso, estudos anteriores frequentemente visam a predição de risco geral, em vez da tarefa clínica específica e urgente de identificar adultos que já são hipertensos, mas desconhecem seu diagnóstico. Este estudo aborda a lacuna do desenvolvimento de uma ferramenta de triagem para hipertensão provável não diagnosticada utilizando apenas dados não invasivos e de coleta rotineira.

Metodologia

• Fonte de Dados: O estudo utilizou um delineamento transversal com dados do ciclo 2017–2018 da National Health and Nutrition Examination Survey (NHANES).
• População do Estudo: De um total inicial de 9.254 participantes, 5.237 adultos (idade ≥18) foram incluídos após a exclusão daqueles com dados de pressão arterial ausentes, respostas de consciência de hipertensão inválidas ou idade <18 anos.
  • Definição do Desfecho: "Hipertensão provável não diagnosticada" foi definida como uma média de pressão arterial ≥130/80 mmHg (conforme as diretrizes ACC/AHA 2017) combinada com um autorrelato de nunca ter sido diagnosticado por um profissional de saúde.
  • Controles: Participantes com um diagnóstico prévio autorrelatado (n=1.930) foram mantidos como controles negativos para distinguir entre os estados "não diagnosticado" e "normotenso".
  • Desequilíbrio de Classes: A amostra final consistiu em 1.072 casos positivos (20,5%) e 4.165 controles negativos.
• Variáveis Preditoras: Oito variáveis não invasivas foram selecionadas para garantir a aplicabilidade sem acesso a laboratórios:
  1. Idade
  2. Sexo
  3. Índice de Massa Corporal (IMC)
  4. Circunferência da Cintura
  5. Status de Tabagismo (ter fumado ≥100 cigarros na vida)
  6. Status de Diabetes (confirmado por médico)
  7. Atividade Física Vigorosa (última semana)
  8. Duração do Sono em Dias Úteis
• Abordagem de Aprendizado de Máquina:
  • Três classificadores foram treinados e comparados: Regressão Logística (LR), Random Forest (RF) e Extreme Gradient Boosting (XGBoost).
  • Pré-processamento: Dados ausentes foram imputados (mediana para contínuos, moda para categóricos). Variáveis categóricas foram codificadas binariamente. O desequilíbrio de classes foi tratado usando pesos de classe no treinamento (class_weight="balanced" para LR/RF; scale_pos_weight para XGBoost).
  • Validação: O conjunto de dados foi dividido em 80% de treinamento e 20% de teste usando amostragem estratificada. A validação cruzada estratificada de 5 dobras (5-fold) foi aplicada ao conjunto de treinamento. Os modelos foram avaliados no conjunto de teste reservado.
  • Hiperparâmetros: Configurações padrão foram utilizadas para evitar o sobreajuste (overfitting) e isolar as características algorítmicas, com ajustes realizados apenas para o desequilíbrio de classes.
• Métricas de Avaliação: A métrica primária foi a AUC-ROC. Métricas secundárias incluíram sensibilidade, especificidade e pontuação F1, todas reportadas com intervalos de confiança de bootstrap de 95% (1.000 iterações). A importância de permutação das características foi utilizada para interpretar o melhor modelo.

Principais Resultados

• Desempenho do Modelo: Todos os três modelos demonstraram uma discriminação modesta, mas consistente, com AUCs de teste variando de 0,599 a 0,611.
  • Regressão Logística (LR): Alcançou a maior AUC de teste de 0,611 (IC 95%: 0,571–0,652). Ofereceu o perfil clínico mais equilibrado, com uma sensibilidade de 0,535 e especificidade de 0,594.
  • Random Forest (RF): Alcançou uma AUC de 0,607, mas exibiu sensibilidade quase ausente (0,047) apesar da alta especificidade (0,971), tornando-o inadequado para triagem no limiar padrão.
  • XGBoost: Mostrou a maior AUC de validação cruzada (0,621), mas a menor AUC de teste (0,599), sugerindo um leve sobreajuste (overfitting). Apresentou sensibilidade intermediária (0,279) e alta especificidade (0,804).
• Importância das Características: A análise de permutação no modelo LR identificou o Status de Diabetes, Sexo e Idade como os preditores mais influentes.
  • Nota sobre o Diabetes: Contrariando a intuição biológica, o status de diabetes atuou como um preditor inverso de hipertensão não diagnosticada. Os dados mostraram que indivíduos com diabetes tinham uma taxa menor de hipertensão não diagnosticada (10,1%) em comparação com não diabéticos (16,4%), provavelmente devido à maior utilização de serviços de saúde, o que leva ao diagnóstico precoce.
• Demografia: Participantes com provável hipertensão não diagnosticada eram significativamente mais velhos, mais propensos a ser do sexo masculino e possuíam circunferências de cintura maiores em comparação com a classe negativa.

Significância e Alegações
O artigo afirma que classificadores de ML interpretáveis treinados em oito variáveis não invasivas podem alcançar uma discriminação modesta, mas consistente para a identificação de provável hipertensão não diagnosticada.

• Viabilidade: O estudo apoia a viabilidade de triagem comunitária livre de laboratório, particularmente em ambientes com recursos limitados (ex: Sul da Ásia), onde a infraestrutura de diagnóstico é limitada.
• Utilidade Clínica: Os autores posicionam o modelo de Regressão Logística não como uma ferramenta de diagnóstico, mas como um instrumento de triagem de primeira passagem. Com um Valor Preditivo Negativo (VPN) estimado de ~83%, o modelo é eficaz para excluir a provável hipertensão não diagnosticada em triagens negativas, identificando assim indivíduos que necessitam de medição confirmatória da pressão arterial clínica.
• Transparência: Ao restringir as variáveis a medidas não invasivas e utilizar hiperparâmetros padrão, o estudo prioriza a aplicabilidade clínica e a reprodutibilidade sobre a maximização da precisão através de engenharia de características complexas ou dados laboratoriais.

Limitações e Direções Futuras
Os autores reconhecem diversas limitações: o delineamento transversal impede a inferência causal; a falta de validação externa limita a generalização; e o uso de dados autorrelatados introduz potencial viés. Crucialmente, o estudo não aplicou os pesos de amostragem do NHANES ao pipeline de ML, o que significa que as estimativas de prevalência são específicas para a coorte, e não para a população dos EUA ponderada. Os autores afirmam que a validação externa em populações diversas e a avaliação prospectiva em ambientes de saúde comunitários são necessárias antes da implementação clínica.