Development and Validation of a Machine Learning-Based Prediction Model for Atrial Fibrillation in Hospitalized Patients with Coronary Heart Disease and Diabetes Mellitus: A Retrospective Study

No corpo humano, o coração é uma bomba implacável, mas, como qualquer máquina complexa, é vulnerável ao desgaste e ao uso, especialmente quando outros sistemas estão sob estresse. Duas das condições mais comuns que sobrecarregam este sistema são a doença coronariana, onde as artérias que alimentam o músculo cardíaco tornam-se estreitadas, e o diabetes, um distúrbio metabólico que interrompe a forma como o corpo processa o açúcar. Quando estas duas condições ocorrem juntas, elas criam uma sinergia perigosa que aumenta significativamente o risco de uma terceira ameaça, frequentemente silenciosa: a fibrilação atrial. Este é um ritmo caótico onde as câmaras superiores do coração tremem em vez de baterem de forma constante, um estado que pode levar ao acidente vascular cerebral ou à insuficiência cardíaca. Para os médicos, o desafio tem sido identificar quais pacientes com doença cardíaca e diabetes têm maior probabilidade de desenvolver este ritmo irregular antes que ele ocorra, permitindo uma intervenção precoce em vez de uma reação de emergência.

Uma equipa de investigadores do Centro de Emergência Médica de Chongqing decidiu resolver este enigma olhando retrospectivamente para os registos médicos de mais de dois mil pacientes. Eles recolheram dados de indivíduos admitidos no hospital entre 2017 e 2025 que já viviam com doença coronariana e diabetes. Os investigadores dividiram estes pacientes em dois grupos: aqueles que desenvolveram fibrilação atrial durante a sua estadia e aqueles que não a desenvolveram. Ao comparar os dois grupos, procuraram diferenças subtis nos exames de sangue, medições cardíacas e histórico do paciente que pudessem servir como sinais de alerta. Em vez de depender de um único teste, utilizaram um método computacional sofisticado conhecido como aprendizagem automática (machine learning). Esta abordagem permite que um computador analise vastas quantidades de informação para encontrar padrões complexos que os olhos humanos poderiam perder, tal como um mecânico experiente que ouve um ruído específico num motor que indica um problema muito antes de o carro avariar.

O estudo analisou uma ampla gama de pontos de dados, desde o tamanho das câmaras do coração até aos níveis de proteínas e minerais específicos no sangue. Após testar vários algoritmos de computador diferentes, os investigadores descobriram que um método, chamado modelo de floresta aleatória (random forest), era muito superior na previsão de quem desenvolveria o ritmo irregular. Este modelo alcançou um alto nível de precisidade, identificando corretamente o risco na grande maioria dos casos. O computador aprendeu que os sinais de alerta mais importantes não eram apenas a presença da própria doença cardíaca ou do diabetes, mas sim uma combinação específica de fatores. Estes incluíam a idade do paciente, as dimensões físicas das câmaras superiores do coração e uma mistura de marcadores sanguíneos relacionados com inflamação, nutrição e equilíbrio eletrolítico.

Especificamente, o modelo identificou oito indicadores fundamentais que, quando visualizados em conjunto, pintavam um quadro claro de risco. A idade avançada e as maiores dimensões das câmaras superiores esquerda e direita do coração foram fortes preditores, refletindo o esforço físico que estas condições colocam na estrutura do órgão. Os níveis sanguíneos de pré-albumina, uma proteína que sinaliza o estado nutricional, também foram críticos; níveis mais baixos sugeriam um corpo sob estresse. Da mesma forma, o equilíbrio entre glóbulos brancos e albumina, uma medida de quanta inflamação estava presente em relação às reservas do corpo, provou ser um sinal poderoso. Outros fatores incluíram os níveis de cálcio e sódio no sangue, que são essenciais para os sinais elétricos do coração, e uma enzima específica chamada HBDH, que pode indicar estresse no músculo cardíaco.

Para garantir que este modelo de computador não fosse apenas uma "caixa preta" a fazer suposições, os investigadores utilizaram uma técnica para explicar exatamente como chegou às suas conclusões. Eles descobriram que o modelo pesava estes oito fatores de forma diferente para cada paciente, criando um perfil de risco personalizado. Para uma pessoa, o tamanho das câmaras do seu coração poderia ser o principal fator de risco, enquanto para outra, poderia ser uma combinação de baixa nutrição e alta inflamação. Esta capacidade de decompor a previsão em partes compreensíveis significa que os médicos podem olhar para um paciente específico e ver exatamente quais os fatores que o estão a empurrar para o perigo. O estudo sugere que, ao utilizar esta ferramenta, os clínicos poderiam rastrear pacientes de alto risco de forma mais eficaz, monitorizá-los mais de perto e, potencialmente, iniciar tratamentos mais cedo para prevenir o início da fibrilação atrial.

Os investigadores tiveram o cuidado de notar que as suas descobertas vieram de um único hospital e que o modelo precisa de ser testado em pacientes noutras localizações para confirmar a sua fiabilidade. No entanto, os resultados oferecem uma nova e promissora forma de olhar para um problema médico comum e perigoso. Ao combinar testes de sangue de rotina e exames cardíacos padrão com análise computacional avançada, o estudo demonstra que é possível detetar os sinais de alerta da fibrilação atrial em pacientes com doença cardíaca e diabetes muito antes de a condição se tornar de vida ou morte. Esta abordagem afasta a medicina de uma estratégia de "tamanho único" em direção a uma estratégia mais precisa e personalizada para manter o coração a bater em ritmo.