📄 medicine

External validation and comparison of PREVENT and SCORE2 atherosclerotic cardiovascular risk scores in the MASHAD cohort study

Este estudo validou externamente os modelos de risco cardiovascular PREVENT e SCORE2 na coorte iraniana MASHAD, constatando que, embora ambos os modelos tenham demonstrado discriminação aceitável, eles subestimaram significativamente o risco absoluto e exigiram recalibração local para fornecer previsões precisas para esta população do Oriente Médio.

Autores originais: Ali Tajik, Hamidreza Rahimi, Sara Saffar Soflaei, Mohsen Moohebati, Ashkan Bahrami, Gordon A. Ferns, Habibollah Esmaily, Majid Ghayour-Mobarhan, Hedieh Alimi

Publicado 2026-06-28

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Ali Tajik, Hamidreza Rahimi, Sara Saffar Soflaei, Mohsen Moohebati, Ashkan Bahrami, Gordon A. Ferns, Habibollah Esmaily, Majid Ghayour-Mobarhan, Hedieh Alimi

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você tem dois previsores meteorológicos muito populares, PREVENT e SCORE2. Eles são famosos na Europa e nos Estadosos por prever a chance de uma "tempestade" (um ataque cardíaco ou derrame) atingir uma pessoa nos próximos 10 anos. Eles usam uma receita padrão: olham para sua idade, pressão arterial, colesterol e se você fuma para dar a você uma porcentagem de chance de ser atingido pela tempestade.

Os pesquisadores neste estudo queriam ver se esses previsores famosos funcionariam corretamente em Mashhad, Irã. Eles trataram a população local como uma nova zona meteorológica não testada.

Aqui está o que eles descobriram, explicado de forma simples:

1. O Problema: Os Previsores "Estrangeiros" Eram Muito Otimistas

Quando os pesquisadores usaram as fórmulas originais europeias e americanas nas pessoas iranianas, os previsores cometeram um grande erro: foram muito otimistas.

A Analogia: Imagine um meteorologista em Londres dizendo a um agricultor no deserto: "Há 1% de chance de chuva hoje". Mas, no deserto, chove 30% das vezes. O agricultor ficaria encharcado porque a previsão estava errada para o local específico dele.
A Realidade: Tanto o PREVENT quanto o SCORE2 disseram às pessoas iranianas que o risco de um evento cardíaco era muito baixo. No entanto, quando os pesquisadores observaram os dados reais ao longo de 10 anos, muito mais pessoas tiveram eventos cardíacos do que os modelos previram. Os modelos estavam "subestimando" o perigo.

2. A Solução: "Ajuste Local" (Recalibração)

Os pesquisadores não jogaram os modelos fora. Em vez disso, realizaram um "ajuste fino local".

A Analogia: Pense nos modelos como uma estação de rádio. A música (a maneira como eles classificam as pessoas de baixo para alto risco) era boa, mas o volume estava muito baixo. Eles não precisavam mudar a música; só precisavam girar o botão do volume para combinar com o público local.
A Ação: Eles ajustaram a matemática ligeiramente para corresponder ao número real de eventos cardíacos que ocorrem em Mashhad. Eles mantiveram o sistema de "classificação" igual, mas deslocaram os números para que as porcentagens refletissem a realidade.

3. Os Resultados: Quem Foi Melhor?

Após o "ajuste fino", ambos os modelos funcionaram muito melhor, mas um teve uma leve vantagem.

A Capacidade de Classificação (Discriminação): Ambos os modelos foram bons em separar as pessoas. Eles conseguiam dizer quem tinha mais probabilidade de ter um evento do que outra pessoa. O PREVENT foi ligeiramente melhor nessa classificação do que o SCORE2, como um par de óculos um pouco mais nítido.
A Precisão (Calibração): Antes do ajuste, os modelos estavam errados sobre a quantidade de risco. Após o ajuste, o risco previsto coincidiu quase perfeitamente com o risco real.
- O PREVENT foi um pouco mais preciso no geral. Isso provavelmente ocorre porque o PREVENT observa mais detalhes, como a função renal e o diabetes, que são muito comuns neste grupo específico de pessoas.
- O SCORE2 é um modelo mais simples (não observa o diabetes), mas ainda assim funcionou bem uma vez que foi ajustado para o "volume" local.

4. Por Que Isso Importa (O "Benefício Líquido")

O estudo usou um conceito chamado "Benefício Líquido" para ver se os modelos ajustados ajudavam os médicos a tomar decisões melhores.

A Analogia: Imagine um segurança verificando bolsas.
- Modelo Original: O segurança estava muito relaxado, deixando passar muitas bolsas perigosas (perdendo pessoas de alto risco).
- Modelo Ajustado: O segurança tornou-se mais alerta. Ele parou mais bolsas perigosas (pegando mais pessoas de alto risco), mas também parou algumas bolsas inofensivas por engano (diminuindo a "especificidade").
A Descoberta: Os pesquisadores descobriram que os modelos "ajustados" valeram a pena. Mesmo que tenham sinalizado algumas pessoas extras que acabaram sendo seguras, eles conseguiram capturar muito mais pessoas que estavam realmente em risco. Em um contexto de saúde, é melhor detectar um potencial ataque cardíaco precocemente do que perdê-lo.

Resumo

O estudo conclui que você não pode simplesmente copiar e colar uma calculadora de risco da Europa ou da América e esperar que ela funcione perfeitamente no Irã. A "receita" do risco é diferente em diferentes lugares.

No entanto, a boa notícia é que essas ferramentas podem funcionar se você as "calibrar" para a população local. Uma vez que os pesquisadores ajustaram os números para se adequarem à realidade de Mashhad, tanto o PREVENT quanto o SCORE2 tornaram-se ferramentas confiáveis para prever riscos cardíacos, com o PREVENT tendo uma ligeira vantagem por considerar mais fatores de saúde.

Resumo Técnico: Validação Externa e Comparação de PREVENT e SCORE2 na Coorte MASHAD

Declaração do Problema
Os modelos contemporâneos de predição de risco de doença cardiovascular aterosclerótica (DCVA), como o PREVENT da American Heart Association e o SCORE2 da European Society of Cardiology, requerem validação externa antes da implementação em populações distintas de suas coortes de derivação. Os modelos de predição frequentemente exibem má calibração quando aplicados a populações com diferentes taxas de eventos basais, distribuição de fatores de risco ou acesso a tratamento, mesmo que mantenham uma discriminação aceitável. Embora estudos anteriores tenham validado essas ferramentas em outras regiões (por exemplo, o Tehran Lipid and Glucose Study), existe uma lacuna crítica de evidências quanto ao desempenho delas na coorte MASHAD, no nordeste do Irã. Especificamente, permanece incerto se o PREVENT e o SCORE2 fornecem uma estimativa de risco absoluto confiável para a coorte MASHAD, onde as cargas cardiometabólicas, os padrões de tabagismo e o acesso à saúde diferem das coortes ocidentais. Ferramentas não calibradas correm o risco de subidentificar indivíduos de alto risco ou expor indivíduos de baixo risco a tratamentos desnecessários.

Metodologia
Este estudo de validação externa prospectiva utilizou dados da coorte Mashhad Stroke and Heart Atherosclerotic Disorder (MASHAD), acompanhando 9.069 adultos (com idades entre 30 e 65 anos) ao longo de um período de 10 anos (2010–2020).

Seleção da Coorte: A coorte elegível completa ( $n=9.069$ ) foi utilizada para a validação do PREVENT. Para o SCORE2, que é projetado para adultos não diabéticos, os participantes com diabetes basal ( $n=1.233$ ) foram excluídos, resultando em uma amostra analítica de 7.836 participantes não diabéticos.
Definição do Desfecho: O desfecho primário foi um composto de infarto miocárdico fatal ou não fatal e acidente vascular cerebral (AVC) fatal ou não fatal, adjudicado por um comitê independente utilizando códigos CID-10.
Aplicação do Modelo: Ambos os modelos foram aplicados utilizando suas equações e coeficientes publicados sem reajuste (refitting). O PREVENT utilizou sua aproximação logística do modelo de riscos competitivos, enquanto o SCORE2 utilizou suas equações padrão de risco de 10 anos.
Estratégia de Recalibração: Para corrigir a má calibração preservando a estrutura original do modelo, a recalibração local foi realizada:
- PREVENT: Atualização do intercepto específica por sexo (recalibração logística com o preditor linear original como um offset).
- SCORE2: Atualização do risco basal específica por sexo (regressão de riscos proporcionais de Cox com o preditor linear original como um offset).
Métricas de Desempenho: Os modelos foram avaliados utilizando discriminação (C-estatística), calibração (inclinação de calibração, razões observado-para-esperado [O/E], escores de Brier), desempenho clínico em limiares predefinidos (sensibilidade, especificidade, benefício líquido), melhoria de reclassificação líquida (NRI) categórica, análise de sobrevivência de Kaplan–Meier e análise de curva de decisão (DCA).

Principais Resultados

Taxas de Eventos: No horizonte de 10 anos, ocorreram 678 eventos de DCVA na amostra do PREVENT e 470 na amostra do SCORE2.
Discriminação: Ambos os modelos demonstraram capacidade aceitável de ordenar os indivíduos por risco. O PREVENT apresentou uma discriminação modestamente superior em comparação ao SCORE2.
- Homens: C-estatística do PREVENT = 0,714 vs. SCORE2 = 0,687.
- Mulheres: C-estatística do PREVENT = 0,731 vs. SCORE2 = 0,704.
- A recalibração não alterou as C-estatísticas, pois os coeficientes preditores originais foram preservados.
Calibração: Ambos os modelos originais subestimaram substancialmente o risco absoluto.
- Razões O/E Originais: PREVENT (2,904 geral; 3,004 homens; 2,817 mulheres) e SCORE2 (4,002 geral; 3,393 homens; 4,902 mulheres).
- Impacto da Recalibração: A recalibração específica por sexo corrigiu a calibração em larga escala (calibration-in-the-large), trazendo as razões O/E para aproximadamente 1,00 para ambos os modelos. As inclinações de calibração permaneceram abaixo de 1,0, indicando uma dispersão imperfeita dos riscos previstos, mas os escores de Brier melhoraram significativamente após a recalibração.
Desempenho Clínico e Reclassificação:
- A recalibração aumentou significativamente a sensibilidade e a proporção de participantes classificados em categorias de maior risco, embora ao custo de uma redução na especificidade.
- Exemplo (PREVENT, Homens, limiar de 5%): A sensibilidade aumentou de 46,2% para 90,1%; a proporção classificada como alto risco subiu de 21,3% para 67,0%. O benefício líquido aumentou de 0,0340 para 0,0529.
- Melhoria de Reclassificação Líquida (NRI): Observou-se um NRI total positivo para ambos os modelos (PREVENT: 0,296; SCORE2: 0,236), impulsionado principalmente pela reclassificação ascendente dos casos de eventos (NRI de Evento > 0,80).
Análise de Curva de Decisão: Os modelos recalibrados forneceram maior benefício líquido do que os modelos originais em limiares de probabilidade baixos e intermediários, alinhando-se melhor com cenários de tomada de decisão clínica.

Significância e Alegações
O estudo conclui que, embora o PREVENT e o SCORE2 preservem uma capacidade aceitável de ordenação de risco de DCVA nesta coorte iraniana, suas estimativas originais de risco absoluto são imprecisas devido à subestimação significativa. Os autores afirmam que a recalibração local é essencial para uma estimativa precisa do risco absoluto nesta população.

Desempenho Comparativo: O PREVENT demonstrou discriminação e inclinações de calibração modestamente melhores que o SCORE2, provavelmente devido à inclusão de preditores cardiometabólicos e relacionados aos rins (ex: diabetes, eGFR, uso de medicamentos), que são altamente relevantes na população MASHAD.
Utilidade Clínica: A principal contribuição deste trabalho é demonstrar que a recalibração melhora métricas de desempenho clinicamente significativas — especificamente sensibilidade, estratificação de risco e benefício líquido de análise de decisão — sem alterar o sinal prognóstico subjacente.
Orientações de Implementação: Os autores sustentam que ferramentas de risco localmente calibradas são necessárias para a prevenção de DCVA em populações regionais sub-representadas. Eles recomendam que o PREVENT pode ser preferível quando dados abrangentes estiverem disponíveis, enquanto o SCORE2 permanece uma opção viável e mais simples para adultos não diabéticos, desde que localmente recalibrado.
Ressalvas: Os autores enfatizam que essas equações recalibradas não devem ser adotadas diretamente para implementação nacional sem nova validação independente em outras populações iranianas e do Oriente Médio, observando que o estudo é limitado a uma coorte urbana regional e que a recalibração troca especificidade por sensibilidade.