Individualized Prediction of Postoperative Nausea and Vomiting Following Thoracoscopic Lung Surgery Through a Penalized Multivariable Nomogram

Resumo Técnico: Predição Individualizada de Náuseas e Vômitos Pós-operatórios após Cirurgia Toracoscópica Pulmonar

Definição do Problema
As náuseas e vômitos pós-operatórios (NVPO) permanecem como uma complicação frequente e clinicamente significativa após a cirurgia toracoscópica videoassistida (VATS), com taxas de incidência que podem se aproximar de 50%. Embora as técnicas minimamente invasivas reduzam o trauma cirúrgico, fatores procedimentais específicos — como a intubação de duplo lúmen, ventilação de pulmão único e manipulação intratorácica extensa — induzem estresse fisiológico que predispõe os pacientes aos NVPO. Os sintomas persistentes dificultam a mobilização precoce e a ingestão oral, impactando negativamente a qualidade de recuperação (QoR-15).

A estratificação de risco clínico atual baseia-se fortemente no escore simplificado de Apfel. No entanto, os autores argumentam que esse sistema de pontuação genérico falha em capturar estressores específicos do procedimento (ex: dissecção de linfonodos mediastinais, duração operatória) e alterações fisiológicas perioperatórias exclusivas da cirurgia torácica. Além disso, modelos preditivos existentes frequentemente incorporam variáveis pós-operatórias (ex: escores de dor, avaliações de recuperação) como preditores. Embora estatisticamente potentes, essas variáveis violam a causalidade temporal, tornando tais modelos impraticáveis para a tomada de decisão profilática pré-operatória.

Metodologia
O estudo empregou um design observacional retrospectivo envolvendo 121 pacientes consecutivos submetidos à VATS no Hospital do Peito de Anhui entre agosto de 2024 e maio de 2025.

• Particionamento de Dados: A coorte foi dividida aleatoriamente em um conjunto de treinamento ($n=84$) e um conjunto de teste independente ($n=37$) na proporção de 7:3.
• Seleção de Preditores: Para garantir a validade temporal, o modelo foi construído utilizando exclusivamente variáveis pré-operatórias e intraoperatórias. Indicadores pós-operatórios foram estritamente excluídos. Catorze preditores candidatos foram incorporados:
  • Demografia/Estilo de Vida: Idade, sexo, IMC, histórico de tabagismo.
  • Avaliações Basais: Classificação ASA, escore de Apfel.
  • Biomarcadores Laboratoriais: Hemoglobina, albumina, globulina, proteína C-reativa (PCR).
  • Fatores Intraoperatórios: Tipo de procedimento cirúrgico, dissecção de linfonodos mediastinais, duração operatória e perda sanguínea intraoperatória.
• Algoritmo: Dado o tamanho de amostra relativamente pequeno e o risco de multicolinearidade entre os 14 preditores, os autores utilizaram regressão logística com regularização L2 (regressão Ridge). Esta abordagem foi escolhida para restringir as magnitudes dos coeficientes, reduzir o sobreajuste (overfitting) e melhorar a estabilidade do modelo. O parâmetro de regularização ($C$) foi otimizado via validação cruzada, resultando em um coeficiente ótimo de 0,0518.
• Validação: O modelo foi avaliado por meio de:
  • Discriminação: Área Sob a Curva ROC (AUC).
  • Calibração: Score de Brier e curvas de calibração.
  • Utilidade Clínica: Análise de Curva de Decisão (DCA).
  • Estabilidade: Validação cruzada de cinco dobras (five-fold cross-validation).

Resultados Principais

• Desempenho do Modelo: O nomograma penalizado final integrou todas as 14 variáveis.
  • Coorte de Treinamento: Alcançou uma AUC de 0,9132.
  • Coorte de Teste Independente: Manteve forte capacidade discriminativa com uma AUC de 0,8743 (IC 95%: 0,6638–1,0000).
  • Validação Cruzada: A validação cruzada de cinco dobras resultou em uma média de AUC de 0,8615 ± 0,0508, indicando desempenho estável entre as partições de dados.
• Métricas de Classificação: Utilizando um limiar de probabilidade ideal de 0,5792 (determinado pelo índice de Youden), o modelo alcançou:
  • Sensibilidade: 72,22%
  • Especificidade: 89,47%
  • Valor Preditivo Positivo (VPP): 86,67%
  • Valor Preditivo Negativo (VPN): 77,27%
• Calibração e Utilidade: O score de Brier de teste foi de 0,1648, indicando concordância próxima entre as probabilidades previstas e os desfechos observados. A Análise de Curva de Decisão demonstrou que o nomograma proporcionou um maior benefício clínico líquido do que as estratégias de "tratar todos" ou "não tratar ninguém" em uma ampla gama de probabilidades de limiar.

Principais Contribuições

1. Validade Temporal: O estudo desenvolveu com sucesso uma ferramenta de predição utilizando apenas variáveis disponíveis antes ou durante a cirurgia, evitando as armadilhas de causalidade temporal de modelos que dependem de dados pós-operatórios.
2. Integração Específica do Procedimento: O modelo vai além do escore genérico de Apfel ao integrar estressores específicos da torácica (ex: dissecção de linfonodos, duração operatória) e marcadores biológicos (ex: PCR, globulina) que refletem o estado inflamatório e nutricional do paciente.
3. Abordagem Regularizada: Ao aplicar a regressão Ridge, o estudo abordou o desafio do sobreajuste em um conjunto de dados de alta dimensionalidade e amostra pequena, garantindo a generalização do modelo apesar do tamanho modesto da coorte.
4. Alta Especificidade: O modelo demonstrou especificidade particularmente alta (89,47%), sugerindo que é altamente eficaz em identificar pacientes que não têm probabilidade de desenvolver NVPO, permitindo potencialmente poupar intervenções profiláticas desnecessárias.

Significância e Alegações
Os autores postulam que este nomograma penalizado serve como uma ferramenta prática de suporte à decisão para protocolos de Recuperação Otimizada Após Cirurgia (ERAS). Ao permitir a estratificação de risco individualizada, o modelo facilita:

• Profilaxia Direcionada: Pacientes de alto risco podem ser identificados para estratégias antieméticas multimodais intensivas.
• Otimização de Recursos: Pacientes de baixo risco (identificados pela alta especificidade do modelo) podem evitar custos de medicação e potenciais efeitos colaterais desnecessários.

O artigo conclui que, embora o modelo apresente forte validade interna e calibração, sua aplicação clínica ampla requer validação externa adicional em populações multicêntricas maiores. Os autores explicitamente observam limitações relativas à natureza de centro único do estudo e à exclusão de dados anestésicos intraoperatórios detalhados (ex: consumo específico de opioides) devido a restrições de registros eletrônicos.