Unmasking cardiovascular risk beyond BMI in type 2 diabetes and MASLD: an interpretable multiorgan score for lower-BMI patients

Resumo Técnico: Desmascarando o Risco Cardiovascular Além do IMC em Diabetes Tipo 2 e MASLD

Declaração do Problema
A doença cardiovascular (DCV) continua sendo a principal causa de mortalidade global, com sua carga cada vez mais ligada às condições sobrepostas de obesidade, diabetes mellitus tipo 2 (DM2) e doença hepática esteatótica associada à disfunção metabólica (MASLD). Embora o Índice de Massa Corporal (IMC) seja um marcador dominante para a gravidade metabólica na prática clínica, ele falha em capturar a distribuição de gordura ectópica, a adiposidade visceral, a reserva do músculo esquelético e a lesão orgânica específica. Essa limitação é particularmente crítica em populações asiáticas e pacientes com DM2-MASLD, onde um fenótipo de "baixo IMC" (não obeso ou magro) ainda pode apresentar fibrose hepática significativa, lesão vascular e vulnerabilidade sistêmica. As ferramentas atuais de estratificação de risco frequentemente dependem de categorias de IMC, podendo subestimar o risco de DCV em pacientes de baixo IMC que possuem um perfil cardiometabólico complexo. Há uma necessidade de uma ferramenta de avaliação de risco multiorgânica interpretável que vá além da classificação do tamanho corporal para identificar indivíduos de alto risco dentro deste fenótipo específico.

Metodologia
Este estudo empregou um desenho de coorte retrospectivo, de centro único, baseado em hospital, utilizando dados do Hospital Provincial de Gansu, China.

• Coorte: A coorte analítica consistiu em 1.466 adultos com DM2, MASLD documentado e IMC < 27,0 kg/m². Pacientes com DCV documentada na linha de base foram excluídos para focar na estratificação de risco para eventos futuros ou não diagnosticados.
• Divisão de Dados: A coorte foi dividida em 7:3 em uma coorte de treinamento (n=1.026) e uma coorte de validação interna bloqueada (n=440), utilizando estratificação por status de DCV e estrato de IMC.
• Engenharia de Atributos (Feature Engineering): Os preditores candidatos foram organizados em três grupos. O Grupo A focou em variáveis rotineiramente disponíveis para um modelo parcimonioso. Os Grupos B e C incluíram termos metabólicos, renais e de interação estendidos para comparação.
• Desenvolvimento do Modelo:
  • Modelo Primário (A2): Um modelo de regressão logística de ridge foi desenvolvido usando os preditores do Grupo A. Ele foi convertido em um escore clínico aditivo (estilo nomograma) para garantir a interpretabilidade.
  • Comparadores: O estudo comparou o A2 contra a regressão logística padrão (A1), modelos lineares estendidos (B1, B2) e modelos de aprendizado de máquina (C1: ExtraTrees; C2: XGBoost) usando o Grupo C.
• Protocolo de Validação: Um framework "bloqueado" rigoroso foi utilizado. Todo o pré-processamento, triagem de atributos, ajuste de hiperparâmetros e derivação de limiares ocorreram exclusivamente na coorte de treinamento. A coorte de validação foi usada apenas para a avaliação final do desempenho, sem qualquer novo ajuste do modelo.
• Desfecho: O desfecho primário foi o status de DCV binário documentado (doença arterial coronariana, insuficiência cardíaca, fibrilação atrial, acidente vascular cerebral, doença aórtica ou doença arterial periférica) por um corte administrativo do estudo.
• Métricas: O desempenho foi avaliado via discriminação (AUC), precisão-recall (precisão média), erro de predição (escore de Brier), calibração (intercepto e inclinação) e análise de curva de decisão (benefício líquido).

Principais Contribuições

1. Desenvolvimento do Escore A2: O estudo desenvolveu e validou internamente um escore de risco multiorgânico interpretável (A2) composto por oito preditores rotineiramente disponíveis: duração do diabetes, número de placas carotídeas, espessura média da íntima-média carotídea (IMT), idade, índice FIB-4, taxa de filtração glomerular estimada (TFGe), colesterol LDL e albumina.
2. Framework de Risco Multiorgânico: O modelo integra sinais da exposição cumulativa ao diabetes, aterosclerose subclínica, fibrose hepática, função renal, carga lipídica e vulnerabilidade sistêmica, fornecendo uma visão holística do risco de DCV que o IMC sozinho não pode oferecer.
3. Validação em Fenótipos de Baixo IMC: O estudo demonstrou especificamente que o escore A2 mantém o desempenho preditivo e separa gradientes de risco mesmo em pacientes com IMC < 25 kg/m², um grupo frequentemente considerado de baixo risco com base apenas na massa corporal.
4. Interpretabilidade vs. Complexidade: O estudo mostrou que um modelo de regressão logística de ridge parcimonioso e interpretável (A2) alcançou desempenho comparável ou superior (equilibrando discriminação, calibração e escore de Brier) em relação a algoritmos de aprendizado de máquina mais complexos, apoiando a utilidade de ferramentas clínicas transparentes.

Resultados

• Características da População: Entre os 1.466 pacientes, 240 (16,4%) tinham DCV documentada. A análise de linha de base revelou que a carga de eventos cardiovasculares não seguiu um simples gradiente de menor IMC/menor risco; as taxas de eventos foram mais altas no estrato de IMC 23–<25 kg/m² (18,1%) e mais baixas no estrato de 25–<27 kg/m² (13,7%).
• Seleção de Preditores: O modelo A2 final reteve oito variáveis. A duração do diabetes apresentou a associação mais forte (OR 2,12 por SD no modelo de regressão logística padrão), seguida pelo número de placas carotídeas, média da IMT carotídea e idade.
• Desempenho do Modelo (Coorte de Validação):
  • A2 (Regressão Logística de Ridge): Alcançou um AUC de 0,792 (IC 95% 0,741–0,844), precisão média de 0,420 e um escore de Brier de 0,116. A calibração foi razoável (intercepto −0,307, inclinação 0,849).
  • Comparadores: Modelos de aprendizado de máquina (C1, C2) não demonstraram uma vantagem incremental clara sobre o A2. O C1 (ExtraTrees) teve uma precisão média ligeiramente superior (0,438), mas um AUC menor (0,780) e pior calibração. O A2 foi selecionado como o modelo primário por seu equilíbrio de desempenho, parcimônia e conversibilidade para um escore clínico.
• Estratificação de Risco: Usando os tertis derivados do treinamento, o escore A2 separou com sucesso a carga de DCV na coorte de validação:
  • Estrato de baixo risco: taxa de evento de 2,9%.
  • Estrato de risco intermediário: taxa de evento de 12,0%.
  • Estrato de alto risco: taxa de evento de 33,3%.
• Análise de Subgrupo: No subgrupo de IMC < 25 kg/m² (n=277 na validação), o A2 manteve uma discriminação robusta (AUC 0,812) e uma clara separação de risco (taxas de eventos: 1,3%, 10,8% e 36,8% para baixo, intermediário e alto risco, respectivamente).

Significância e Alegações
O artigo alega que o risco cardiovascular em pacientes com baixo IMC, DM2 e MASLD é frequentemente subestimado quando se depende apenas de categorias de IMC. O estudo postula que um fenótipo "magro" não exclui fibrose hepática significativa, lesão vascular ou vulnerabilidade sistêmica. O escore A2 oferece uma ferramenta prática e interpretável para refinar a avaliação de risco ao integrar sinais multiorgânicos (fígado, rim, sistema vascular e histórico metabólico) que estão rotineiramente disponíveis em ambientes hospitalares.

Os autores enfatizam que o estudo fornece um framework validado internamente. Eles declaram explicitamente que os achados requerem validação externa e prospectiva antes da implementação clínica. A significância não reside na introdução de um novo algoritmo, mas na demonstração de que uma abordagem multiorgânica parcimoniosa pode estratificar o risco de forma eficaz em uma população clinicamente subreconhecida, potencialmente apoiando uma avaliação cardiovascular precoce além das definições tradicionais de obesidade. O estudo conclui que o IMC não deve ser interpretado como um marcador de baixo risco cardiovascular em pacientes com DM2-MASLD e defende uma mudança para um framework integrado de avaliação cardiovascular–renal–metabólica–hepática.