An Interpretable Machine Learning Host-Response Score for Postoperative Disease-Free Survival Risk Stratification in Colorectal Adenocarcinoma: A Retrospective Prognostic Modelling Study

Resumo Técnico: Uma Pontuação de Resposta do Hospedeiro Baseada em Aprendizado de Máquina Interpretável para Estratificação de Risco de Sobrevivência Livre de Doença Pós-operatória em Adenocarcinoma Colorretal

Definição do Problema
Apesar dos avanços no rastreamento e tratamento, o câncer colorretal (CCR) permanece como uma das principais causas de mortalidade relacionada ao câncer. Para pacientes submetidos à cirurgia de intenção curativa, a recorrência pós-operatória e a metástase à distância são os principais determinadores dos desfechos de longo prazo. A avaliação de risco atual baseia-se fortemente no estadiamento tumor-linfonodo-metástase (TNM) e em variáveis clinicopatológicas convencionais (ex.: status linfonodal, diferenciação, invasão). No entanto, esses fatores não explicam totalmente a heterogeneidade no risco de recorrência entre pacientes com estágios anatômicos semelhantes. Esse risco residual sugere que o controle pós-operatório da doença é influenciado pela interação biológica entre a doença micrometastática residual e os mecanismos de defesa do hospedeiro. Embora ensaios moleculares e assinaturas transcriptômicas ofereçam valor prognóstico, eles são frequentemente limitados pelo custo, dependência de tecido e disponibilidade restrita na prática clínica rotineira. Há uma necessidade de uma ferramenta de baixo custo, rotineiramente mensurável e biologicamente interpretável que capture a competência imunológica sistêmica do hospedeiro e o equilíbrio inflamatório-nutricional para complementar os sistemas de estadiamento existentes.

Metodologia
Este estudo empregou um delineamento de modelagem prognóstica retrospectiva utilizando uma coorte de 2.806 pacientes com adenocarcinoma colorretal tratados no Hospital de Câncer de Yunnan. A coorte foi dividida aleatoriamente em um conjunto de treinamento (n=1.964) e um conjunto de validação interna (n=842) na proporção de 7:3.

• Seleção de Preditores: O estudo focou em uma assinatura de "Resposta do Hospedeiro" derivada de 10 indicadores pré-operatórios rotineiramente disponíveis: porcentagens de células T CD3+, CD4+ e CD8+, razão CD4/CD8, porcentagem de células natural killer (NK), porcentagem de células cytokine-induced killer (CIK), razão neutrófilo-linfócito (NLR), razão plaqueta-linfócito (PLR), razão linfócito-monócito (LMR) e o índice nutricional prognóstico (PNI).
• Desenvolvimento do Modelo: Um Lymphocyte-based Immune-Inflammatory/Nutritional Score (LINS) foi desenvolvido usando um modelo de sobrevivência XGBoost de Tempo de Falha Acelerada (AFT). O modelo foi treinado para prever o tempo de DFS, sendo a pontuação de risco definida como o negativo do tempo de DFS previsto (pontuação maior = maior risco). Os hiperparâmetros foram ajustados via validação cruzada de 5 dobras estratificada por eventos dentro da coorte de treinamento.
• Tratamento de Dados Ausentes: Variáveis com <30% de ausência (incluindo subconjuntos de linfócitos) foram mantidas e tratadas usando Imputação Múltipla por Equações Encadeadas (MICE) com 20 conjuntos de dados.
• Análise Comparativa: O desempenho do modelo apenas LINS foi comparado contra um modelo apenas clínico (baseado em variáveis clinicopatológicas padrão) e um modelo integrado LINS+clínico.
• Métricas de Avaliação: O desempenho do modelo foi avaliado pelo C-índice de Harrell, AUC dependente do tempo nos anos de 1, 3 e 5, gráficos de calibração, análise de curva de decisão (DCA) e estratificação de risco de Kaplan-Meier. A interpretabilidade foi alcançada através de Explicações SHAP (SHapley Additive exPlanations).
• Validação Exploratória: Uma análise exploratória foi realizada utilizando uma metacoorte transcriptômica pública (n=1.118) para avaliar proxies de risco imune, embora tenha sido explicitamente observado como um proxy biológico e não uma validação externa direta do modelo baseado em sangue.

Principais Resultados

• Estratificação de Risco: O LINS estratificou com sucesso os pacientes em grupos de baixo, intermediário e alto risco com diferenças estatisticamente significativas na sobrevida livre de doença (DFS) em ambas as coortes de treinamento e de validação interna (Log-rank P < 0,001).
• Desempenho de Discriminação:
  • Na coorte de validação interna, o modelo apenas clínico alcançou um C-índice de 0,691.
  • O modelo apenas LINS mostrou discriminação modesta (C-índice = 0,603).
  • O modelo integrado LINS+clínico alcançou o melhor desempenho com um C-índice de 0,706.
  • As AUCs dependentes do tempo para o modelo integrado foram de 0,735 (1 ano), 0,763 (3 anos) e 0,742 (5 anos), representando uma melhoria consistente sobre o modelo apenas clínico.
• Calibração e Utilidade: O modelo integrado demonstrou calibração aceitável em 1, 3 e 5 anos. A análise de curva de decisão indicou um benefício líquido positivo em todas as probabilidades de limiar clinicamente relevantes, particularmente aos 3 e 5 anos.
• Interpretabilidade: A análise SHAP identificou células T CD3+, razão CD4/CD8, LMR, PNI, células NK, PLR e NLR como contribuintes fundamentais, confirmando que o modelo captura informações complementares sobre imunidade adaptativa, vigilância inata, inflamação sistêmica e estado nutricional.
• Proxy Externo: A análise transcriptômica exploratória mostrou que os surrogados de risco imune puderam estratificar o risco (Log-rank P < 0,001), apoiando a plausibilidade biológica do conceito de resposta do hospedeiro, embora a discriminação isolada tenha sido limitada (C-índice 0,540).

Significância e Alegações
Os autores afirmam que o LINS é uma assinatura de resposta do hospedeiro rotineiramente mensurável que adiciona informações prognósticas clinicamente interpretáveis, embora modestas, aos preditores clinicopatológicos convencionais. O estudo enfatiza que a principal contribuição não é a substituição dos sistemas de estadiamento estabelecidos, mas a demonstração de que as variáveis de resposta do hospedeiro podem ser organizadas em uma camada biologicamente interpretável que complementa as variáveis de carga tumoral.

As principais alegações incluem:

1. Valor Incremental: O LINS é mais eficaz quando integrado com preditores clínicos do que usado isoladamente, sugerindo que o risco de recorrência é uma função tanto da carga tumoral quanto da resposta do hospedeiro.
2. Escalabilidade Clínica: Diferente dos ensaios moleculares dependentes de tecido, o LINS baseia-se em marcadores de sangue periférico disponíveis nos fluxos de trabalho padrão de oncologia cirúrgica, tornando-o uma ferramenta escalável para informática médica e suporte à decisão.
3. Transparência: O modelo foi desenhado para ser transparente e interpretável (via SHAP), alinhando-se aos padrões emergentes para modelos de predição clínica (TRIPOD+AI).
4. Limitações e Necessidades Futuras: Os autores declaram explicitamente que o estudo é retrospectivo e requer validação multicêntrica prospectiva. Eles alertam que a análise transcriptômica externa é exploratória e que a utilidade clínica (ex.: impacto na intensidade de vigilância ou decisões de tratamento adjuvante) deve ser testada em fluxos de trabalho prospectivos antes de sua implementação.

Em conclusão, o artigo apresenta o LINS como um componente viável e de baixo custo para a estratificação de risco pós-operatório em adenocarcinoma colorretal, oferecendo uma abordagem biologicamente fundamentada para refinar estimativas prognósticas além do estadiamento anatômico.