Unsupervised phenotype clustering of non-ischemic dilated cardiomyopathy with AI-assisted T1 mapping cardiac MR

Resumo Técnico: Agrupamento de Fenótipos Não Supervisionado de Cardiomiopatia Dilatada Não Isquêmica com Mapeamento T1 de RM Cardíaca Assistido por IA

Definição do Problema
A cardiomiopatia dilatada não isquêmica (CDNI) é uma entidade de doença heterogênea caracterizada por dilatação do ventrículo esquerdo (VE) e disfunção sistólica na ausência de doença coronária significativa. Embora as diretrizes atuais dependam fortemente da fração de ejeção do ventrículo esquerdo (FEVE) para o estratificação de risco, a FEVE isoladamente não consegue capturar as diversas variações etiológicas e fisiopatológicas dentro da população com CDNI. Consequentemente, a estratificação prognóstica permanece imprecisa e o manejo individualizado é desafiador. Embora os parâmetros de caracterização tecidual por ressonância magnética cardíaca (RMC) (como o T1 nativo, fração de volume extracelular [VEC] e realce tardio de gadolínio [LGE]) ofereçam um valor prognóstico incremental, sua integração em uma estrutura de fenotipagem unificada e baseada em dados para a CDNI tem sido limitada. Além disso, a quantificação manual desses parâmetros é laboriosa e propensa à variabilidade interobservador, dificultando a aplicação clínica generalizada.

Metodologia
Os autores conduziram um estudo de coorte retrospectivo envolvendo 347 pacientes com CDNI de dois centros terciários na Coreia do Sul (Hospital Seoul National University Bundang e Hospital Hanyang University Guri) que foram submetidos a RMC basal e ecocardiografia entre janeiro de 2018 e dezembro de 2023.

• Aquisição de Dados e Integração de IA: Para garantir a reprodutibilidade, todos os pacientes foram submetidos a RMC em scanners de 3.0-T do mesmo fabricante. Um sistema semi-automatizado baseado em aprendizado profundo (software Myomics-T1) foi empregado para quantificar os parâmetros de RMC, incluindo T1 nativo, VEC e extensão de LGE. Esta abordagem minimizou a variabilidade relacionada ao fabricante e reduziu a necessidade de contorno manual laborioso.
• Desenho do Estudo: A coorte foi dividida aleatoriamente em um conjunto de derivação (n=242) e um conjunto de validação (n=105) usando amostragem estratificada baseada no desfecho primário para garantir uma distribuição equilibrada de eventos.
• Agrupamento Não Supervisionado (Clustering): O estudo utilizou o agrupamento Partitioning Around Medoids (PAM), um algoritmo de aprendizado de máquina não supervisionado. O modelo de agrupamento incorporou 11 variáveis multidimensionais: índice de massa corporal (IMC), pressão arterial sistólica, taxa de filtração glomerular estimada (TFGe), status de fibrilação atrial (FA), NT-proBNP log-transformado, deformação longitudinal global do VE (LVGLS), volume diastólico final do VE indexado (LVEDVi), FEVE derivada de RMC, volume diastólico final do ventrículo direito indexado (RVEDVi), T1 nativo e extensão de LGE (limiar de 5-SD). Notavelmente, idade e sexo foram excluídos do algoritmo de agrupamento para evitar que dominassem a separação fenotípica; eles foram usados, em vez disso, como covariáveis em análises de sobrevivência subsequentes.
• Medidas de Desfecho: O desfecho primário foi um composto de morte cardiovascular e hospitalização por insuficiência cardíaca (HHF). Os desfechos secundários incluíram mudanças longitudinais nos parâmetros ecocardiográficos (FEVE, volumes, índice de volume da aurícula esquerda [LAVI] e E/e') ao longo de um acompanhamento mediano de 12 meses.
• Análise Estatística: O número ideal de clusters foi determinado pelos métodos do cotovelo (elbow method), escore de silhueta (silhouette score) e estatística gap (gap statistic). A importância das variáveis foi avaliada via classificadores de random forest. As diferenças de sobrevivência foram analisadas usando curvas de Kaplan-Meier e modelos de riscos proporcionais de Cox multivariáveis ajustados para idade e sexo.

Principais Resultados
A análise de agrupamento não supervisionado identificou três clusters fenotípicos distintos na coorte de derivação, que foram validados na coorte independente:

1. Cluster 1 (Fenótipo Preservado): Caracterizado por uma população mais jovem, com predominância masculina, com função cardíaca relativamente preservada, níveis mais baixos de NT-proBNP e fibrose miocárdica mínima (baixo T1 nativo e LGE). Este grupo exibiu o prognóstico mais favorável.
2. Cluster 2 (Fenótipo Metabólico/Fibrótico): Um fenótipo mais velho, com maior carga de diabetes e comorbidades cardiorrenais. Este grupo apresentou remodelamento do VE avançado, fibrose miocárdica difusa (T1 nativo elevado) e LGE prevalente.
3. Cluster 3 (Fenótipo de Disfunção Biventricular Predominante por FA): Um fenótipo mais velho com uma carga muito alta de fibrilação atrial (98% de prevalência), disfunção biventricular (comprometimento grave de RV e VE) e fibrose difusa avançada. Apesar de possuir menos fibrose de substituição frequente (LGE) comparado ao Cluster 2, este grupo demonstrou o pior prognóstico.

Trajetórias Longitudinais e Desfechos:

• Remodelamento Reverso: Todos os três clusters demonstraram remodelamento reverso do VE (melhora na FEVE e redução nos volumes do VE) ao longo do período de acompanhamento, sugerindo que a terapia médica direcionada por diretrizes (GDMT) é eficaz entre os fenótipos.
• Disfunção Atrial Esquerda (AE): Uma distinção crítica foi observada no remodelamento da AE. Enquanto o remodelamento reverso do VE foi comparável entre os clusters, o Cluster 3 exibiu uma redução atenuada no LAVI e E/e', indicando disfunção atrial persistente apesar da recuperação do VE.
• Prognóstico: O Cluster 3 carregou o maior risco para o desfecho composto (Razão de Risco ajustada [HR] 3,03 na derivação; 5,08 na validação), seguido pelo Cluster 2 (HR ajustada 2,33). O Cluster 1 serviu como referência com o menor risco.

Significância e Alegações
O artigo afirma ser o primeiro estudo a identificar clusters fenotípicos distintos na CDNI integrando dados de RMC multiparamétricos (especificamente T1 nativo e LGE) com dados clínicos e ecocardiográficos multimodais usando aprendizado de máquina não supervisionado.

Os autores destacam várias contribuições principais:

1. Fenotipagem Refinada: O estudo demonstra que a CDNI não é uma doença monolítica, mas compreende subgrupos distintos com trajetórias de remodelamento e prognósticos únicos. Especificamente, a identificação do Cluster 3, onde o mau prognóstico está ligado à disfunção atrial persistente e FA apesar de alguma recuperação do VE, sugere que o remodelamento da AE é um determinante crítico do risco residual.
2. Utilidade da RMC Assistida por IA: O estudo valida a viabilidade do uso de quantificação de RMC semi-automatizada assistida por IA para fenotipagem em larga escala. Esta abordagem aborda as limitações da análise manual (tempo, variabilidade) e facilita a integração padronizada da caracterização tecidual em modelos de risco clínico.
3. Implicações Clínicas: Os achados sugerem que o agrupamento baseado em ML não supervisionado pode permitir estratégias de manejo mais individualizadas. Ao identificar pacientes com riscos fenotípicos específicos (por exemplo, aqueles com remodelamento reverso da AE atenuado), os clínicos podem melhor adaptar o monitoramento e as intervenções terapêuticas além das diretrizes padrão baseadas em FEVE.

Os autores mantêm um tom modesto em relação às suas alegações, reconhecendo limitações como o desenho retrospectivo, o ambiente de país único (Coreia do Sul) e o tamanho de amostra relativamente pequeno da coorte de validação. Eles concluem que, embora a estrutura mostre promessa para refinar a estratificação de risco personalizada, uma validação externa adicional em populações maiores e mais diversas é necessária.