Construction of a machine learning-based prediction model for intraoperative acquired pressure injury in children undergoing neurosurgery

Resumo Técnico: Construção de um Modelo de Predição Baseado em Aprendizado de Máquina para Lesão por Pressão Adquirida Intraoperatória em Crianças Submetidas à Neurocirurgia

Declaração do Problema
A lesão por pressão adquirida intraoperatória (LPAI) é uma complicação frequente e grave entre crianças submetidas à neurocirurgia. Devido à natureza delicada desses procedimentos, a necessidade de posicionamento forçado, o uso de instrumentos que causam compressão tecidual local e o prolongado repouso pós-operatório, os pacientes pediátricos enfrentam riscos elevados. Embora estudos anteriores tenham identificado uma taxa de incidência de aproximadamente 11,5% em crianças neurocirúrgicas, os fatores de risco específicos para essa população permanecem incompletamente compreendidos. Além disso, as ferramentas de predição existentes, como um nomograma desenvolvido anteriormente, demonstraram apenas eficácia preditiva moderada (c-index = 0,79). Até o momento, nenhum estudo relatou o uso de técnicas de aprendizado de máquina (ML) para construir um modelo de predição de LPAI em crianças neurocirúrgicas.

Metodologia
Este estudo retrospectivo utilizou dados clínicos de 776 crianças (idade ≤18 anos) que foram submetidas à neurocirurgia em um hospital infantil de terceiro nível em Chongqing entre janeiro e junho de 2023. O estudo aderiu ao princípio de 10 eventos por variável (EPV) para o cálculo do tamanho da amostra, incluindo, ao final, 14 potenciais fatores de risco.

• Coleta e Pré-processamento de Dados: Os dados incluíram informações demográficas, valores laboratoriais pré-operatórios (hemoglobina, hematócrito, IMC, pontuação Braden Q) e variáveis intraoperatórias (classificação ASA, posição cirúrgica, duração da operação/anestesia, perda de sangue, uso de ferramentas de potência e hipotermia). A LPAI foi diagnosticada de acordo com os padrões da NPUAP de 2019.
• Seleção de Características: A regressão Least Absolute Shrinkage and Selection Operator (LASSO) foi empregada para filtrar variáveis e reduzir a dimensionalidade, selecionando 13 características com coeficientes não nulos.
• Construção do Modelo: O conjunto de dados foi dividido em um grupo de treinamento (70%) e um grupo de validação (30%). Nove algoritmos de aprendizado de máquina foram implementados: Regressão Logística (LR), Floresta Aleatória (RF), Rede Neural (NNET), Extreme Gradient Boosting (XGBoost), Gradient Boosting Machine (GBM), Máquina de Vetores de Suporte (SVM), Naive Bayes (NB), K-Vizinhos Mais Próximos (KNN) e Árvore de Decisão (DT).
• Otimização e Validação: Os modelos foram ajustados usando validação cruzada de dez dobras (ten-fold cross-validation) e busca em grade (grid search) no grupo de treinamento. O desempenho foi avaliado utilizando a Área Sob a Curva ROC (AUC), sensibilidade, especificidade, precisão, escore F1 e Análise de Curva de Decisão (DCA).
• Interpretabilidade: O modelo ideal foi analisado utilizando SHapley Additive exPlanations (SHAP) para visualizar a importância das características e explicar o processo de tomada de decisão.

Principais Resultados

• Incidência: A incidência observada de LPAI na coorte foi de 7,9% (62/776). A maioria das lesões foi de Estágio I (95,16%), sendo a bochecha, a testa e a têmpora os locais mais comuns.
• Seleção de Características: A regressão LASSO identificou 13 preditores-chave, incluindo idade, sexo, pontuação Braden Q, hematócrito pré-operatório, perda de sangue intraoperatória, tempo de operação, tempo de anestesia, posição cirúrgica, uso de ferramentas de potência, classificação ASA, tipo cirúrgico e IMC.
• Desempenho do Modelo: Entre os nove algoritmos, o modelo XGBoost demonstrou o desempenho mais estável e otimizado.
  • Métricas do Grupo de Validação: O XGBoost alcançou uma AUC de 0,7325, com uma sensibilidade de 0,8889, especificidade de 0,4813, precisão de 0,126 e um escore F1 de 0,2207.
  • Comparação: Embora o modelo XGBoost tenha apresentado um AUC ligeiramente inferior ao modelo de nomograma anterior dos autores (0,79), ele demonstrou maior sensibilidade. A Análise de Curva de Decisão indicou que o XGBoost proporcionou o maior benefício clínico líquido no grupo de validação.
• Análise de Fatores de Risco: A visualização SHAP identificou os seis principais fatores de risco que impulsionam as predições do modelo: perda de sangue intraoperatória, posição cirúrgica, idade do paciente, duração da operação, duração da anestesia e o uso de força externa (ex: brocas/fresas).

Principais Contribuições

1. Nova Aplicação de ML: Este estudo constrói um modelo de predição baseado em aprendizado de máquina para LPAI em crianças submetidas à neurocirurgia, abordando uma lacuna onde nenhum modelo desse tipo havia sido relatado anteriormente.
2. Comparação Algorítmica: Compara sistematicamente nove algoritmos distintos de aprendizado de máquina, identificando o XGBoost como o modelo superior para este contexto clínico específico.
3. Interpretabilidade: Ao integrar a análise SHAP, o estudo vai além das predições de "caixa preta", fornecendo uma visualização transparente de como indicadores clínicos específicos (como perda de sangue e posição cirúrgica) influenciam o risco de lesão.
4. Refinamento de Fatores de Risco: O estudo reavalia os fatores de risco, confirmando a significância da perda de sangue intraoperatória e do uso de ferramentas de potência, que não foram tão proeminentemente destacados em modelos anteriores não baseados em ML.

Significância e Alegações
Os autores afirmam que o modelo de predição construído com base em XGBoost possui "determinada eficácia preditiva". A principal significância deste trabalho reside no seu potencial para auxiliar enfermeiros clínicos na identificação precoce de pacientes pediátricos neurocirúrgicos de alto risco. Ao utilizar este modelo, os profissionais de saúde podem adotar medidas preventivas personalizadas mais cedo no continuum do cuidado. O estudo enfatiza que, embora o modelo não seja um substituto perfeito para o julgamento clínico, ele oferece uma base científica para triagem e ajuda a agilizar o processo de avaliação ao destacar os fatores de risco mais críticos, reduzindo potencialmente o tempo de avaliação e melhorando a precisidade das estratégias de prevenção de LPAI. Os autores mantêm-se modestos quanto à generalização do modelo, observando limitações como a natureza retrospectiva dos dados, a falta de validação externa e a necessidade de explorar interações entre fatores de risco em estudos futuros.