Machine Learning for Predicting Pediatric Mortality After Cardiopulmonary Bypass: Harnessing the Complex Predictive Power of Accessible Inflammatory Markers

Resumo Técnico: Aprendizado de Máquina para Predição de Mortalidade Pediátrica Após Bypass Cardiopulmonar

Definição do Problema
Crianças submetidas à cirurgia cardíaca com bypass cardiopulmonar (CPB) apresentam alto risco de Síndrome da Resposta Inflamatória Sistêmica (SIRS), que pode progredir para Síndrome de Disfunção Multiorgânica (MODS) e morte. Embora biomarcadores inflamatórios específicos (ex: IL-6, IL-8, TNF-α) sejam conhecidos por predizer desfechos adversos, eles costem frequentemente e exigem instalações laboratoriais especializadas, limitando sua utilidade para estratificação de risco de rotina. Por outro lado, parâmetros padrão do Hemograma Completo (CBC) e a Proteína C-Reativa (PCR) são prontamente disponíveis e de baixo custo, mas podem não capturar interações complexas e não lineares quando analisados via métodos estatísticos tradicionais. O estudo visa avaliar se um modelo de Inteligência Artificial (IA) baseado em Aprendizado de Máquina (ML) pode prever com precisão a mortalidade pós-operatória de 30 dias em pacientes pediátricos (<15 anos) utilizando apenas esses marcadores inflamatórios acessíveis.

Metodologia

• Desenho do Estudo e Coorte: Um estudo observacional retrospectivo foi conduzido no Instituto do Coração (Universidade de São Paulo), envolvendo 1.499 procedimentos de cirurgia cardíaca pediátrica com CPB realizados entre março de 2020 e agosto de 2025. A coorte incluiu pacientes menores de 15 anos com procedimentos classificáveis pelo escore RACHS-1 (Risk Adjustment for Congenital Heart Surgery).
• Coleta de Dados: Dados laboratoriais foram coletados no pré-operatório e às 12, 24, 36, 48 e 72 horas pós-operatórias. As variáveis incluíram parâmetros padrão do hemograma (plaquetas, hemoglobina, hematócrito, leucócitos, neutrófilos, monócitos, neutrófilos imaturos), níveis de PCR e índices inflamatórios derivados (NLR, PLR, MLR, SIRI, AISI, SII, NLPR, dNLR).
• Arquitetura do Modelo: Os autores desenvolveram um Classificador de Votação de Ensemble combinando dois algoritmos:
  1. XGBoost: Para aprender interações não lineares.
  2. Random Forest: Para melhorar a estabilidade e a generalização.
• Tratamento de Desbalanceamento de Classes: Dado a baixa taxa de mortalidade (5,7%), os autores evitaram a geração de dados sintéticos (ex: SMOTE) para prevenir ruído. Em vez disso, empregaram o aprendizado sensível ao custo (cost-sensitive learning), ponderando os modelos para penalizar a classificação incorreta de eventos de mortalidade de forma mais severa do que a de sobreviventes.
• Treinamento e Validação: O conjunto de dados foi dividido em um conjunto de treinamento de 80% e um conjunto de teste independente de 20%. Os hiperparâmetros foram otimizados via validação cruzada estratificada de 5 dobras (5-fold stratified cross-validation). O desempenho foi avaliado via bootstrapping (1.000 iterações) para calcular os Intervalos de Confiança (IC) de 95% para métricas incluindo ROC AUC, sensibilidade, especificidade, VPP e VPN.
• Interpretabilidade: Explicações de SHapley Aditivas (SHAP) foram utilizadas para quantificar as contribuições das características e visualizar os drivers fisiológicos das predições do modelo.

Principais Resultados

• Desempenho Preditivo: O modelo de ensemble alcançou uma ROC AUC de 0,927 (IC 95%: 0,882–0,966) no conjunto de teste independente, demonstrando robusta capacidade discriminativa. O modelo apresentou excelente calibração (Escore de Brier = 0,040).
• Limiares Clínicos: Otimizando para alta sensibilidade (≥80%) para minimizar eventos letais perdidos, o modelo alcançou:
  • Sensibilidade: 79,9% (identificando quase 80% dos eventos de mortalidade).
  • Valor Preditivo Negativo (VPN): 98,7%, indicando alta confiabilidade na identificação de pacientes de baixo risco que poderiam potencialmente passar pela descalonagem de vigilância.
  • Especificidade: 84,5%.
  • Valor Preditivo Positivo (VPP): 21,9%.
• Drivers Fisiológicos (Análise SHAP): Dois fenótipos distintos foram identificados como principais preditores de mortalidade:
  1. Trombocitopenia: Contagens mínimas de plaquetas baixas foram o discriminador mais forte. Não-sobreviventes apresentaram significativamente menores medianas de plaquetas mínimas (63.000 vs. 112.500/µL; p < 0,001).
  2. Fenótipo de "Paralisia Imunológica": Contrariando a expectativa de que a hiperinflamação impulsiona a mortalidade, os não-sobreviventes exibiram níveis de PCR mínima significativamente menores (30,1 vs. 46,9 mg/L; p = 0,027). Isso sugere que uma falha na resposta de fase aguda (potencialmente devido à disfunção hepática ou exaustão imunológica) é um fator de risco crítico.
• Importância das Características: Embora índices inflamatórios derivados (ex: NLR) tenham sido incluídos, parâmetros hematológicos individuais — especificamente contagem de plaquetas e cinética de PCR — detiveram maior peso preditivo do que as razões compostas.

Significância e Alegações
O artigo afirma que modelos de aprendizado de máquina podem prever com precisão a mortalidade de 30 dias em pacientes pediátricos em CPB usando apenas dados laboratoriais de baixo custo e prontamente disponíveis. O estudo destaca que:

1. Acessibilidade: O monitoramento sistemático de marcadores inflamatórios padrão, quando analisado via ML, pode servir como uma ferramenta de triagem eficaz sem a necessidade de ensaios de citocinas caros.
2. Insight Biológico: A identificação do fenótipo de "paralisia imunológica" (baixa PCR associada à morte) desafia o foco convencional exclusivamente na hiperinflamação, sugerindo que uma resposta de fase aguda inadequada é um caminho crítico para desfechos adversos.
3. Utilidade Clínica: O alto VPN do modelo apoia seu potencial uso em ambientes clínicos para identificar com segurança pacientes de baixo risco, permitindo potencialmente a descalonagem da vigilância pós-operatória invasiva.
4. Vantagem Metodológica: O estudo demonstra que a IA pode capturar interações complexas e não lineares entre variáveis inflamatórias e hematológicas que os métodos bioestatísticos tradicionais podem perder, oferecendo um passo em direção ao reconhecimento precoce da deterioração pós-operatória.

Os autores observam limitações, incluindo a natureza retrospectiva de centro único do estudo e a exclusão de dados de citocinas específicas (ex: IL-6), mas afirmam que seus achados alinham-se com a literatura mais ampla sobre o valor prognóstico de marcadores hematológicos na cirurgia cardíaca.