Integrating dynamic nomogram and machine learning for personalized disability prediction in elderly cardiometabolic multimorbidity: routine blood markers and mental health

Resumo Técnico: Integração de Nomograma Dinâmico e Aprendizado de Máquina para Predição Personalizada de Incapacidade em Idosos com Multimorbidade Cardiometabólica

Definição do Problema
A incapacidade em pacientes idosos com multimorbidade cardiometabólica (MCM) — definida como a coocorrência de duas ou mais doenças cardiometabólicas, como hipertensão, doença cardíaca, acidente vascular cerebral (AVC), diabetes e dislipidemia — representa uma carga significativa para a saúde pública. Embora estudos anteriores tenham identificado fatores de risco gerais (ex.: idade, IMC, depressão), os modelos de predição clínica existentes frequentemente carecem de precisão individualizada e não abordam complexidades específicas: o valor preditivo de marcadores sanguíneos de rotina, a dominância comparativa da saúde mental versus a função física e se o risco de incapacidade aumenta linearmente com o número de comorbidades ou atinge um platô. Ferramentas atuais, como as escalas padrão de ADL/IADL (Atividades da Vida Diária/Atividades Instrumentais da Vida Diária), fornecem avaliações gerais, mas carecem de estratificação de risco dinâmica e personalizada.

Metodologia
O estudo utilizou dados do China Health and Retirement Longitudinal Study (CHARLS), analisando 1.424 pacientes com idade ≥60 anos com MCM para o desenvolvimento do modelo (conjuntos de treinamento e validação interna) e 3.335 pacientes para validação externa. A incapacidade foi definida como o comprometimento nas Atividades da Vida Diária (ADL) ou Atividades Instrumentais da Vida Diária (IADL), ou incapacidade autorrelatada.

A pesquisa empregou uma abordagem analítica multifacetada:

1. Seleção de Variáveis: De 46 preditores candidatos (incluindo demografia, estilo de vida, exames físicos, histórico clínico e mais de 20 marcadores laboratoriais como HbA1c, TyG, CVAI e função renal), as variáveis foram triadas por meio de regressão logística univariada, seguidas pela regressão Least Absolute Shrinkage and Selection Operator (LASSO) para redução de dimensionalidade.
2. Desenvolvimento do Nomograma: Um nomograma dinâmico foi construído utilizando regressão logística multivariada sobre o conjunto final de preditores independentes. Este modelo foi implementado como uma ferramenta online (aplicação Shiny) para cálculo de risco em tempo real.
3. Análise Estatística Avançada:
   • Análise de Mediação: Explorou caminhos onde a função física (força de preensão manual, velocidade de caminhada) e quedas mediaram os efeitos da depressão, cognição e AVC na incapacidade.
   • Análise Não Linear: Restricted Cubic Spline (RCS) e análise de efeito de limiar foram utilizadas para identificar pontos de inflexão nas relações (ex.: função cognitiva).
   • Avaliação de Dose-Resposta: Testes de tendência linear e comparações pareadas ajustadas por Tukey avaliaram a relação entre o número de condições de MCM e o risco de incapacidade.
4. Aprendizado de Máquina (ML): Cinco algoritmos (Regressão Logística, Random Forest, SVM, LightGBM, XGBoost) foram treinados utilizando o algoritmo Boruta para seleção de características. O modelo Random Forest (RF) foi selecionado como ideal com base em métricas de desempenho. As explicações SHapley (SHapley Additive exPlanations - SHAP) foram aplicadas para interpretar a importância das características e a direcionalidade no modelo de ML.

Principais Resultados

• Modelo Preditivo: O nomograma dinâmico final incorporou seis preditores independentes: sintomas de depressão, função cognitiva, AVC, número de MCM, idade e quedas. O modelo demonstrou discriminação robusta com valores de Área Sob a Curva (AUC) de 0,746 (treinamento), 0,740 (validação interna) e 0,754 (validação externa). Curvas de calibração e Análise de Curva de Decisão (DCA) confirmaram excelente concordância entre as probabilidades previstas e reais e benefício líquido clínico significativo.
• Marcadores Sanguíneos de Rotina: Na regressão logística tradicional, os marcadores sanguíneos de rotina não foram estatisticamente significativos. No entanto, a análise SHAP do modelo Random Forest identificou HbA1c, creatinina, ácido úrico, hematócrito, glicose em jejum, TyG e CVAI como marcadores de risco importantes, sugerindo que o ML captura interações não lineares perdidas por modelos convencionais.
• Saúde Mental vs. Física: Sintomas de depressão emergiram como um preditor dominante, superando métricas de função física como força de preensão manual e velocidade de caminhada, tanto em modelos tradicionais quanto de ML. A análise de mediação revelou que a força de preensão manual esquerda mediou 12,3% do efeito do AVC sobre a incapacidade, enquanto a velocidade de caminhada mediou os efeitos da função cognitiva e do AVC.
• Platô do Número de MCM: A relação entre o número de condições de MCM e o risco de incapacidade não foi puramente linear. O risco aumentou significamente de 2 para 3 e 4 condições, mas pareceu atingir um platô após MCM ≥ 3. A análise de sensibilidade fundindo MCM=4 e 5 confirmou que, embora MCM≥4 carregue maior risco do que MCM=2, a diferença entre MCM=3 e MCM≥4 não foi significativa.
• Insights de Aprendizado de Máquina: O modelo Random Forest alcançou a maior AUC (0,782) no conjunto de validação interna. Notavelmente, no modelo de ML, a doença renal apresentou maior valor preditivo do que o AVC ou o número de MCM, contrastando com a regressão tradicional onde o AVC foi o preditor mais forte (OR=2,55).
• Relações Não Lineares: A função cognitiva mostrou uma relação em forma de U invertido com a incapacidade, com um ponto de inflexão em 12,043.

Significância e Alegações
Os autores afirmam que este estudo fornece o primeiro nomograma dinâmico prático especificamente para predizer a incapacidade em pacientes idosos com MCM. A significância do estudo reside em sua abordagem integrada, que:

1. Valida Marcadores de Rotina: Demonstra que marcadores sanguíneos de rotina (ex.: HbA1c, creatinina) possuem valor preditivo para a incapacidade quando analisados através de aprendizado de máquina, mesmo que sejam não significativos em regressão linear.
2. Prioriza a Saúde Mental: Estabelece que os sintomas de depressão são um preditor mais crítico de risco de incapacidade do que as métricas de função física (força de preensão, velocidade de caminhada) nesta população.
3. Refina a Estratificação de Risco: Identifica um efeito de platô na relação MCM-incapacidade, sugerindo que a estratificação de risco clínico pode não precisar distinguir linearmente além de três comorbidades.
4. Utilidade Clínica: Oferece uma ferramenta online clinicamente acessível para estratificação de risco personalizada, potencialmente orientando intervenções precoces focadas na avaliação da saúde mental e triagem metabólica de rotina.

O artigo conclui que, embora o AVC permaneça um preditor tradicional primário, o aprendizado de máquina revela o papel crítico da doença renal e da desregulação metabólica. Os autores reconhecem limitações, incluindo a natureza retrospectiva dos dados, o potencial viés de seleção em relação aos marcadores sanguíneos e a necessidade de validação externa em populações diversas, mas sustentam que o nomograma desenvolvido é um passo valioso em direção à identificação precoce de riscos e estratégias de manejo personalizado.