Frailty Index Dynamic Changes and Incident Cardiovascular Disease in Middle-Aged and Older Adults: Dose-Response, Effect Modification, and Clinical Translation for Primary Care Screening — A Nationwide Prospective Cohort Study

Resumo Técnico: Mudanças Dinâmicas no Índice de Fragilidade e Incidência de Doenças Cardiovasculares em Adultos de Meia-Idade e Idosos

Problema
As doenças cardiovasculares (DCV) continuam sendo a principal causa de morte globalmente, com uma carga significativa na população envelhecida da China. Embora os fatores de risco tradicionais (hipertensão, diabetes, dislipidemia) estejam bem estabelecidos, um risco residual substancial persiste entre os idosos. Pesquisas anteriores vincularam o Índice de Fragilidade (IF) ao risco de DCV, mas basearam-se predominantemente em medições de ponto único no tempo. Essa abordagem falha em capturar a trajetória dinâmica da fragilidade, limitando sua utilidade para o monitoramento da saúde populacional e estratificação de risco. Além disso, há uma carência de evidências quantitativas sobre o valor preditivo incremental das mudanças dinâmicas da fragilidade em populações asiáticas, e uma escassez de ferramentas de triagem simplificadas e de baixo custo adequadas para ambientes de atenção primária com recursos limitados.

Metodologia
Este estudo utilizou dados do China Health and Retirement Longitudinal Study (CHARLS), uma coorte prospectiva nacionalmente representativa.

• População do Estudo: Foram incluídos 7.999 adultos de meia-idade e idosos (≥45 anos) sem DCV no início do estudo, com uma mediana de acompanhamento de 7,0 anos (2011–2020).
• Construção do Índice de Fragilidade: Um IF de 41 itens foi construído com base no modelo de déficit cumulativo de Rockwood, abrangendo doenças crônicas, sintomas de dor, função física/sensorial e participação social.
• Análise Dinâmica: O estudo analisou tanto o IF basal quanto as mudanças dinâmicas ($\Delta$IF) calculadas como a diferença entre a Onda 4 (2018) e a Onda 1 (2011). Os participantes foram categorizados em classes de trajetória (ex: robusto estável, deterioração, deterioração persistente) e grupos de $\Delta$IF (melhora, estável, deterioração leve, deterioração significativa).
• Abordagens Estatísticas:
  • Associação: Modelos de riscos proporcionais de Cox e modelos de risco competitivo de Fine-Gray (considerando a morte) foram utilizados para avaliar o IF basal e as associações de trajetória com a incidência de DCV.
  • Não linearidade: Splines cúbicas restritas foram empregadas para identificar relações dose-resposta e limiares ideais.
  • Decomposição: A decomposição do valor de Shapley quantificou a contribuição independente de déficits não cardiovasculares versus fatores de risco cardiovascular tradicionais.
  • Valor Preditivo: Regressão logística, Melhoria da Reclassificação Líquida (NRI), Melhoria da Discriminação Integrada (IDI) e comparações da Área Sob a Curva (AUC) avaliaram o valor incremental da adição do $\Delta$IF a modelos basais.
  • Desenvolvimento de Ferramenta: A regressão LASSO com validação cruzada de dez dobras identificou variáveis principais para um IF simplificado. O desempenho do modelo foi validado usando correção de otimismo por Bootstrap e Análise da Curva de Decisão (DCA).
  • Robustez: As análises de sensibilidade incluíram definições estritas de DCV, imputação múltipla (MICE) e avaliações de viés de atrito.

Principais Resultados

• Associação Basal: Cada aumento de 0,1 no IF basal foi associado a um aumento de 42% no risco de DCV (HR = 1,42, 95% CI: 1,374–1,468).
• Dose-Resposta: Uma relação não linear significativa foi observada ($P < 0,0001$), com um limiar ideal identificado em 0,24. Abaixo deste limiar, o gradiente de risco foi mais acentuado (HR = 1,567) em comparação ao acima dele (HR = 1,245).
• Decomposição de Shapley: Déficits não cardiovasculares contribuíram com 15,8% do valor preditivo independente para DCV, mesmo após o ajuste para doenças crônicas cardiovasculares, idade e sexo.
• Trajetória e Mudanças Dinâmicas:
  • Indivíduos com "deterioração persistente" no status de fragilidade enfrentaram um risco 11,4 vezes maior de DCV em comparação ao grupo "robusto estável".
  • A análise dinâmica mostrou que a "deterioração significativa" ($\Delta$IF $\ge$ 0,10) foi associada a uma chance 11,55 vezes maior de incidência de DCV em comparação à "melhora significativa".
• Valor Preditivo Incremental: A adição da classificação de $\Delta$IF a um modelo básico (idade, sexo, IF basal) aumentou a AUC de 0,634 para 0,761 ($\Delta$AUC = +0,127). O modelo demonstrou um IDI de 10,89% e um NRI de 20,18% em um limiar de risco de 20%.
• Ferramenta Simplificada: O LASSO identificou sete variáveis de alta estabilidade (hipertensão, dislipidemia, asma, circunferência abdominal elevada, saúde autorreferida ruim, dor lombar, artrite). O IF simplificado resultante de 7 itens exigiu <2 minutos para avaliação, necessitou apenas de uma fita métrica e alcançou uma AUC corrigida por Bootstrap de 0,646, superando o escore de risco ASCVD tradicional (AUC = 0,600) neste contexto.

Significância e Alegações
Os autores afirmam que este estudo fornece a primeira evidência quantitativa em uma população asiática sobre o valor preditivo incremental das mudanças dinâmicas da fragilidade para DCV. As principais contribuições incluem:

1. Quantificação do Risco Dinâmico: Demonstrar que o rastreamento de trajetórias e mudanças de fragilidade oferece um poder preditivo substancial (melhoria de AUC de 0,127) que excede amplamente os biomarcadores convencionais, sugerindo que prevenir a deterioração da fragilidade é uma prioridade crítica de saúde pública.
2. Insight Mecanístico: Estabelecer que a "própria fragilidade" (déficits não cardiovasculares) responde por aproximadamente um sexto do risco de DCV independentemente dos fatores tradicionais, apoiando a integração do manejo da dor e da reabilitação funcional na prevenção de DCV.
3. Tradução Clínica: Validar uma ferramenta de triagem simplificada de 7 itens que é viável para a atenção primária em ambientes com recursos limitados. Esta ferramenta aborda lacunas de implementação ao exigir nenhum equipamento laboratorial e oferecer um tempo de avaliação rápido (<2 minutos).
4. Intervenção Estratificada: Propor um caminho clínico estratificado baseado nos limiares identificados (IF < 0,10 para monitoramento de rotina; 0,10–0,24 para intervenção no estilo de vida; $\ge$ 0,24 para intervenção intensiva multimodal) para otimizar a alocação de recursos na gestão da saúde populacional.

O estudo conclui que integrar o monitoramento dinâmico da fragilidade na estratificação de risco cardiovascular de rotina e utilizar o IF simplificado como uma ferramenta de triagem escalável pode melhorar a identificação precoce de indivíduos de alto risco e reduzir a carga de DCV em populações envelhecidas.