Development and internal validation of a machine learning-based risk stratification tool for sarcopenia in Chinese older adults: findings from the CHARLS study

Resumo Técnico: Desenvolvimento e Validação Interna de uma Ferramenta de Estratificação de Risco Baseada em Aprendizado de Máquina para Sarcopenia em Idosos Chineses

Problema
A sarcopenia, caracterizada pela perda progressiva de massa muscular esquelética, força e desempenho físico, é uma síndrome geriátrica crítica associada a quedas, fragilidade e mortalidade. Embora biomarcadores individuais, como a proteína C-reativa (PCR) e a hemoglobina (Hb), tenham mostrado associações com a sarcopenia, seu desempenho preditivo é limitado. Os modelos de aprendizado de máquina (ML) existentes frequentemente sofrem com amostras pequenas, desenhos de centro único ou falta de validação externa. Há uma necessidade específica de um modelo de predição de risco parcimonioso e clinicamente implantável, desenvolvido a partir de uma coorte nacionalmente representativa de idosos chineses, que integre fatores de risco multidimensionais para melhorar a busca de casos em ambientes comunitários.

Metodologia
Este estudo utilizou dados transversais de 6.204 participantes com 60 anos ou mais da onda de 2015 do China Health and Retirement Longitudinal Study (CHARLS).

• Definição do Desfecho: A sarcopenia foi definida de acordo com os critérios do Asian Working Group for Sarcopenia (AWGS) 2019, exigindo baixa massa muscular esquelética apendicular (ASM) somada a baixa força muscular ou baixo desempenho físico. A ASM foi estimada usando uma equação antropométrica validada específica para idosos chineses.
• Seleção de Preditores: Trinta e um candidatos a preditores foram avaliados em quatro domínios: demográfico, clínico, bioquímico e de estado de saúde.
• Desenvolvimento do Modelo:
  • Seleção de Variáveis: A regressão Least Absolute Shrinkage and Selection Operator (LASSO) com validação cruzada de 10 dobras foi empregada para selecionar os preditores mais informativos, utilizando o critério lambda.1se para garantir a parcimônia do modelo.
  • Modelo Final: Os 12 preditores selecionados foram inseridos em um modelo de regressão logística multivariável.
  • Validação: A validação interna foi realizada por meio de validação cruzada de 10 dobras.
  • Métricas de Desempenho: A discriminação foi avaliada via Área Sob a Curva Característica de Operação do Receptor (AUC). A calibração foi avaliada por meio de gráficos de calibração, teste de Hosmer-Lemeshow e análise de decil de risco. A utilidade clínica foi avaliada por meio da Análise de Curva de Decisão (DCA).
  • Análise Comparativa: O modelo LASSO-logístico foi comparado com algoritmos Random Forest (RF) e XGBoost utilizando os mesmos preditores.
  • Não-linearidade: A análise de Restricted Cubic Spline (RCS) foi utilizada para examinar associações não lineares, especificamente para a idade.

Principais Resultados

• Prevalência: A prevalência de sarcopenia na coorte do estudo foi de 13,5% (839/6.204).
• Preditores Selecionados: A regressão LASSO reteve 12 preditores: idade, residência rural, hipertensão, doença pulmonar crônica, doença digestiva, hemoglobina, hematócrito, ácido úrico, HDL-C, LDL-C, triglicerídeos e a razão PCR/Hb.
• Desempenho do Modelo:
  • O modelo de regressão logística final alcançou uma AUC de 0,836 (IC 95%: 0,822–0,851) no conjunto de treinamento e uma AUC de validação cruzada de 0,833 (IC 95%: 0,819–0,848).
  • No ponto de corte ideal (limiar de probabilidade = 0,138), o modelo demonstrou uma sensibilidade de 0,757 e uma especificidade de 0,762.
  • Crucialmente, o Valor Preditivo Negativo (VPN) foi de 0,952, indicando alta utilidade para excluir a sarcopenia.
  • A calibração foi excelente, com uma inclinação de calibração de 0,975 e um teste de Hosmer-Lemeshow não significativo (P = 0,327).
• Estratificação de Risco: O modelo estratificou com sucesso o risco em quatro níveis, com a prevalência observada de sarcopenia variando de 1,3% no grupo de menor risco a 62,3% no grupo de maior risco.
• Comparação de Algoritmos: O modelo LASSO-logístico (AUC 0,833) teve desempenho comparável ao Random Forest (0,817) e XGBoost (0,832), mas foi mantido como o modelo primário devido à sua interpretabilidade e à capacidade de gerar um nomograma.

Contribuições Principais e Significância
Os autores afirmam que este estudo fornece um modelo de aprendizado de máquina parcimonioso de 12 preditores especificamente desenhado para idosos chineses utilizando os critérios do AWGS 2019. Sua significância reside em várias áreas:

1. Integração Multidimensional: O modelo supera biomarcadores isolados (ex: hemoglobina isolada, AUC 0,644) ao integrar fatores inflamatórios, nutricionais e clínicos. A inclusão da razão PCR/Hb destaca o valor sinérgico da combinação dos eixos inflamatório e hematopoiético na predição da perda muscular.
2. Implantabilidade Clínica: Diferente de modelos anteriores que exigem avaliações especializadas (ex: força de preensão ou velocidade de marcha) não rotineiramente disponíveis na atenção primária, este modelo baseia-se em variáveis clínicas e bioquímicas rotineiramente disponíveis. O desenvolvimento de um nomograma permite o cálculo manual sem dispositivos eletrônicos, tornando-o adequado para ambientes comunitários com recursos limitados na China.
3. Utilidade de Exclusão: O alto Valor Preditivo Negativo (0,952) posiciona a ferramenta como um mecanismo eficaz de triagem para "excluir" a sarcopenia, potencialmente reduzindo encaminhamentos desnecessários para exames confirmatórios de absorciometria de raio-X de dupla energia (DXA).
4. Insights Demográficos: O estudo identifica a residência rural como o fator de risco demográfico mais forte (OR = 2,29), ressaltando disparidades significativas de saúde e sugerindo que programas de triagem devem priorizar estações de saúde comunitárias rurais.
5. Especificidade Fenotípica: O perfil bioquímico retido (baixo ácido úrico, baixos lipídios, HDL-C elevado) sugere que a sarcopenia nesta coorte chinesa é impulsionada pela desnutrição e desnutrição proteico-energética, contrastando com a obesidade sarcopênica impulsionada pela síndrome metabólica, comum em populações ocidentais. Isso apoia a necessidade de ferramentas de estratificação de risco específicas para cada região.

Limitações e Direções Futuras
Os autores reconhecem que o desenho transversal impede a inferência causal. O uso de uma equação antropométrica em vez de DXA para estimativa de ASM introduz um potencial viés, embora análises de sensibilidade tenham sido realizadas. O estudo também observa a exclusão de dados de ingestão alimentar, atividade física e força de preensão da onda de 2015 do CHARLS. Os autores concluem que a validação externa em populações geograficamente distintas e estudos longitudinais para avaliar a incidência de sarcopenia são necessários antes da implantação clínica.