Based on machine learning, which part of the perioperative period predicts postoperative delirium better? A retrospective case-control study

Resumo Técnico: Predição de Delirium Pós-Operatório em Artroplastia por Aprendizado de Máquina

Definição do Problema
O delirium pós-operatório (DPO) é uma complicação prevalente e grave entre pacientes idosos submetidos à artroplastia de quadril ou joelho, impactando significativamente a recuperação, aumentando a mortalidade e elevando os custos de saúde. Embora a patogênese permaneça incerta, os métodos estatísticos tradicionais frequentemente têm dificuldade em lidar com a natureza não linear e de alta dimensionalidade dos dados perioperatórios necessários para uma predição precisa. Além disso, estudos anteriores frequentemente careceram de dados abrangentes cobrindo todo o período perioperatório, particularmente fatores clínicos intraoperatórios, limitando a capacidade de identificar preditores-chave e desenvolver intervenções direcionadas.

Metodologia
Este estudo de caso-controle retrospectivo analisou dados de 3.870 pacientes que foram submetidos à artroplastia de quadril ou joelho sob anestesia geral entre 2016 e 2025. Após a aplicação dos critérios de inclusão e exclusão (ex: idade ≥60, anestesia geral, ausência de delirium pré-operatório), a coorte final consistiu em 812 pacientes (143 com DPO, 669 sem DPO).

• Coleta de Dados: O estudo agregou 131 características abrangendo três fases: pré-operatória (condição geral, comorbidades, resultados laboratoriais), intraoperatória (detalhes da anestesia, hemodinâmica, manejo de fluidos, análise de gases sanguíneos) e pós-operatória (flutuações laboratoriais precoces).
• Diagnóstico: O DPO foi diagnosticado utilizando o Confusion Assessment Method (CAM) para pacientes com pontuação ≥2 na Nursing Delirium Screening Scale (Nu-DESC), avaliados por enfermeiros treinados do 1º dia pré-operatório ao 5º dia pós-operatório.
• Pipeline de Aprendizado de Máquina:
  • Pré-processamento: Características redundantes foram removidas usando correlação de Pearson (limiar de 0,7).
  • Seleção de Características e Treinamento do Modelo: Três métodos de seleção de características (F-test, LASSO, RFE) foram combinados com dez classificadores (incluindo Random Forest, SVM, Gradient Boosting, Extra Trees).
  • Otimização: Os hiperparâmetros foram otimizados via busca aleatória (random search; máximo de 200 iterações) utilizando validação cruzada estratificada de 5 dobras (5-fold) em um conjunto de treinamento de 70%, utilizando a AUC Média como critério de seleção.
  • Estabilidade e Seleção: Para evitar vazamento de dados (data leakage) e garantir a robustez, a seleção de características foi realizada dentro de cada dobra. As características que apareceram em ≥3 das 5 dobras foram retidas. O modelo final foi selecionado com base no maior F1-score médio entre os pipelines estáveis de melhor desempenho.
  • Validação: O modelo ideal foi retreinado no conjunto de treinamento completo e avaliado em um conjunto de teste independente de 30%. O desempenho foi avaliado usando AUC, acurácia, sensibilidade (recall), especificidade, precisão, F1-score e Coeficiente de Correlação de Matthews (MCC). A análise SHAP (SHapley Additive exPlanations) foi utilizada para interpretabilidade.
• Resultos Principais: O estudo identificou um modelo de aprendizado de máquina com desempenho preditivo excepcional no conjunto de teste:
  • Métricas de Desempenho: AUC = 0,9948, Acurácia = 0,9713, Sensibilidade (Recall) = 0,9302, Especificidade = 0,9801, Precisão = 0,9091, F1-score = 0,9195 e MCC = 0,9021.
  • Principais Preditores: O modelo identificou dez preditores críticos, classificados pela importância SHAP:
    1. Idade
    2. Classificação ASA
    3. Tempo de extubação do tubo endotraqueal
    4. Nível de glicose no sangue (ao deixar a RPA/PACU)
    5. Percentual de linfócitos pré-operatório
    6. Uso de vecurônio brometo
    7. Dosagem de etomidato por quilograma
    8. Coeficiente de variação (CV) da pressão arterial
    9. Flutuação de eosinófilos
    10. Contagem de glóbulos brancos pré-operatória
  • Impacto Temporal: Embora a Idade e a classificação ASA (fatores pré-operatórios) tivessem os maiores pesos individuais, o estudo descobriu que os fatores intraoperatórios coletivamente representaram o maior peso preditivo, sugerindo que a condição geral do paciente combinada com o manejo intraoperatório tem um impacto global maior no DPO do que o status pré-operatório isolado.

Significância e Alegações
Os autores afirmam que este estudo fornece uma ferramenta robusta, baseada em aprendizado de máquina, para predizer o DPO em pacientes de artroplastia, utilizando um conjunto de dados abrangente que inclui variáveis intraoperatórias frequentemente negligenciadas.

• Utilidade Clínica: O modelo sugere que intervenções direcionadas aos fatores identificados — como o controle dos níveis de glicose no sangue ao deixar a RPA, a otimização do tempo de extubação e o refinamento da dosagem anestésica (especificamente vecurônio e etomidato) — poderiam reduzir a incidência de DPO.
• Contribuição Metodológica: O estudo demonstra a eficácia do aprendizado de máquina na mineração de dados perioperatórios complexos e de alta dimensionalidade, onde modelos de regressão tradicionais podem falhar. Destaca a importância de incluir a dinâmica intraoperatória (ex: variabilidade da pressão arterial, dosagens específicas de fármacos) na estratificação de risco.
• Limitações e Trabalhos Futuros: Os autores reconhecem modestamente limitações, incluindo a natureza de centro único dos dados, o desenho retrospectivo e o tamanho de amostra relativamente limitado. Eles afirmam que o modelo requer validação em futuros estudos prospectivos e multicêntricos, e sugerem que a incorporação de fusão de dados multimodais em trabalhos futuros poderia aumentar ainda mais a precisão preditiva.

Em conclusão, o artigo postula que integrar o aprendizado de máquina com dados perioperatórios abrangentes oferece um caminho viável para a identificação precoce de pacientes de alto risco, permitindo que clínicos implementem intervenções eficazes e direcionadas para melhorar os desfechos pós-operatórios.