📄 medicine

Development and Evaluation of Nomogram- and Decision Tree-Based Risk Prediction Models for Severe Ovarian Hyperstimulation Syndrome in Patients with High Ovarian Reserve

Este estudo demonstra que um modelo baseado em nomograma incorporando sete preditores independentes supera uma árvore de decisão na predição da síndrome de hiperestimulação ovariana grave entre pacientes com alta reserva ovariana, oferecendo uma ferramenta validada e baseada na web para a estratificação de risco clínico individualizada.

Autores originais: Lingli Yang, Dejing Wang

Publicado 2026-08-11

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Lingli Yang, Dejing Wang

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um jardineiro tentando cultivar as flores mais belas e raras. Você tem um solo especial, superfértil, que faz as plantas crescerem incrivelmente rápido e grandes. Mas há um porém: se você regar demais ou der fertilizante em excesso, as plantas podem ficar tão inchadas e entusiasmadas que podem estourar, vazar seiva por toda parte e até machucar todo o jardim. No mundo da reprodução humana, esse "solo superfértil" é chamado de alta reserva ovariana, e o "estouro" é uma condição chamada Síndrome de Hiperestimulação Ovariana (SHO). Isso acontece quando médicos usam medicamentos para ajudar as pessoas a terem bebês, e os ovários reagem de forma muito intensa. Para algumas pacientes, essa reação pode ser assustadora, causando dor, inchaço e até riscos graves à saúde.

Os médicos têm tentado construir uma "previsão do tempo" para prever quem terá a síndrome antes que ela aconteça. Normalmente, eles observam a idade da paciente ou quantos óvulos ela possui. Mas, para o grupo "superfértil", as previsões antigas nem sempre são precisas. Os cientistas começaram a usar dois tipos diferentes de "bolas de cristal" para prever a tempestade: uma é o Nomograma, que é como um mapa detalhado e de múltiplas camadas onde você soma pontos de diferentes pistas para obter uma pontuação final; a outra é uma Árvore de Decisão, que é como um jogo de "20 Perguntas" onde você responde sim ou não a uma série de perguntas para encontrar sua resposta. A grande questão era: qual bola de cristal é melhor para prever a tempestade para esses jardineiros de alto risco específicos?

Este artigo, escrito pelos pesquisadores Lingli Yang e Dejing Wang, propõe-se a testar essas duas ferramentas de previsão. Eles analisaram os registros de 803 pacientes com altas reservas ovarianas que estavam tentando ter bebês entre 2020 e 2025. Eles dividiram essas pacientes em dois grupos: um grupo de "treinamento" de 614 pessoas para construir os modelos, e um grupo de "teste" separado de 189 pessoas para ver se os modelos funcionavam com novos dados.

Primeiro, os pesquisadores atuaram como detetives para encontrar as melhores pistas. Eles começaram com 20 informações diferentes, como peso, níveis hormonais e quantos óvulos foram recuperados. Após um sério processamento de números, eles reduziram para apenas sete "super-pistas" que mais importavam:

AMH: Um hormônio que diz quantos óvulos estão no banco.
AFC: A contagem real de pequenos sacos de óvulos vistos em um ultrassom.
razão bLH/bFSH: Um equilíbrio específico entre dois hormônios que controlam os ovários.
Estradiol (E₂) no Dia 5: Um nível hormonal medido no início do tratamento.
Estradiol (E₂) no Dia do Gatilho: O nível hormonal medido logo antes da injeção final de recuperação de óvulos.
Folículos ≥ 10 mm: O número de sacos de óvulos em crescimento que atingiram um certo tamanho.
Rendimento de oócitos: O número total de óvulos realmente coletados.

Usando essas sete pistas, eles construíram tanto o Nomograma (o mapa de pontuação por pontos) quanto a Árvore de Decisão (o jogo de perguntas de sim/não). Em seguida, colocaram ambos à prova.

Os resultados mostraram que o Nomograma foi o vencedor claro. Quando testaram no grupo de treinamento, ele previu corretamente o risco 88,4% das vezes (um escore "AUC" de 0,884). A Árvore de Decisão foi razoável, pontuando 86,5%, mas não era tão afiada. Quando testaram os modelos no novo grupo de 189 pacientes (a "validação externa"), o Nomograma manteve-se forte com uma pontuação de 87,4%, enquanto a pontuação da Árvore de Decisão caiu para 79,5%. Isso sugere que a Árvore de Decisão pode ter "memorizado" os dados de treinamento muito bem e ficou confusa com novas pacientes, enquanto o Nomograma permaneceu confiável.

Os pesquisadores também verificaram o quão bem as previsões correspondiam à realidade. As previsões do Nomograma alinharam-se quase perfeitamente com o que realmente aconteceu, enquanto a Árvore de Decisão ficou um pouco fora do esperado. Eles até construíram uma calculadora baseada na web (uma ferramenta digital que qualquer pessoa pode usar em um computador) baseada no Nomograma vencedor. Agora, um médico pode digitar os sete números específicos da paciente e a calculadora fornece instantaneamente a porcentagem de chance de a paciente desenvolver uma SHO grave.

Em suma, o artigo sugere que, para pacientes com altas reservas ovarianas, o Nomograma detalhado, baseado em pontuação, é uma ferramenta mais precisa e estável para prever a SHO grave do que a simples Árvore de Decisão. Ele não apenas encontrou uma nova maneira de adivinhar; ele provou que um método específico funciona melhor do que o outro para este grupo de pacientes delicados, oferecendo uma maneira de detectar o perigo precocemente e manter o "jardim" seguro.

Resumo Técnico: Desenvolvimento e Avaliação de Modelos de Predição de Risco Baseados em Nomograma e Árvore de Decisão para OHSS Grave

Definição do Problema
A Síndrome de Hiperestimulação Ovariana (OHSS) continua sendo uma complicação séria e potencialmente fatal da tecnologia de reprodução assistida (TRA), particularmente para pacientes com alta reserva ovariana que exibem respostas exageradas à estimulação ovariana controlada (EOC). Embora a OHSS grave possa levar à falência de múltiplos órgãos e desfechos gestacionais adversos, o manejo atual é amplamente de suporte, não existindo uma terapia específica. Embora técnicas de aprendizado de máquina (ML) sejam cada vez mais utilizadas na predição de doenças, os modelos existentes para OHSS frequentemente dependem de regressão logística convencional ou carecem de validação específica para o subgrupo de alto risco de pacientes com alta reserva ovariana. Além disso, a utilidade comparativa de diferentes abordagens de ML, especificamente nomogramas versus árvores de decisão, dentro desta população específica, não foi sistematicamente explorada.

Metodologia
Este estudo retrospectivo utilizou dados de 803 pacientes inférteis com alta reserva ovariana (definida como idade <35 anos, AFC >20, AMH >3,6 ng/mL) que foram submetidas a um protocolo de fase folicular de longa duração no Hospital Afiliado da Universidade Médica de Zunyi entre janeiro de 2020 e outubro de 2025.

Divisão de Dados: A coorte foi dividida em um conjunto de treinamento (614 pacientes, 2020–2024) para desenvolvimento e validação interna do modelo, e um conjunto de validação externa (189 pacientes, 2025).
Seleção de Características: Os pesquisadores realizarem primeiro uma análise univariada para identificar 20 variáveis com significância estatística ( $P < 0,05$ ). Estas foram posteriormente processadas através de regressão Least Absolute Shrinkage and Selection Operator (Lasso) com validação cruzada de 10 dobras para isolar preditores independentes.
Construção do Modelo: Dois modelos distintos foram construídos:
1. Um Nomograma utilizando o pacote rms em R, traduzindo resultados de regressão logística em um sistema de pontuação visual.
2. Uma Árvore de Decisão utilizando o pacote rpart, criando uma árvore de classificação binária de 4 níveis.
Métricas de Avaliação: O desempenho do modelo foi avaliado utilizando curvas de Característica de Operação do Receptor (ROC) (Área Sob a Curva - AUC), gráficos de calibração e Análise de Curva de Decisão (DCA). A validação interna empregou reamostragem por bootstrap (1.000 iterações).
Implementação: Um calculador de risco baseado na web foi desenvolvido utilizando o pacote Shiny, baseado no modelo de desempenho superior.

Principais Contribuições

Identificação de Preditores Específicos: O estudo identificou sete fatores de risco independentes especificamente para OHSS grave em pacientes com alta reserva: Hormônio Anti-Mülleriano (AMH), Contagem de Folículos Antrais (AFC), razão basal LH/FSH (bLH/bFSH), Estradiol ( $E_2$ ) no dia 5 da estimulação por Gn, $E_2$ no dia do gatilho de hCG, o número de folículos $\ge$ 10 mm no dia do hCG e o rendimento de oócitos.
Análise Comparativa: O artigo fornece uma comparação metodológica direta entre uma ferramenta de regressão visual tradicional (nomograma) e um classificador clássico de ML (árvore de decisão) dentro da mesma coorte de alto risco.
Desenvolvimento de Ferramenta Clínica: O estudo traduziu o modelo estatístico ideal em um calculador de risco funcional baseado na web para facilitar a avaliação de risco individualizada e em tempo real na prática clínica.

Resultados

Desempenho Preditivo: Na coorte de treinamento, o nomograma demonstrou discriminação superior com um AUC de 0,884 (95% CI: 0,841–0,927) comparado ao 0,865 (95% CI: 0,814–0,916) da árvore de decisão.
Validação: Após a validação interna por bootstrap, o nomograma manteve um AUC robusto de 0,880, enquanto a árvore de decisão caiu para 0,812. Na validação externa, o nomograma atingiu um AUC de 0,874 (95% CI: 0,821–0,928), enquanto a árvore de decisão caiu para 0,795 (95% CI: 0,702–0,888).
Calibração e Utilidade: As curvas de calibração indicaram que o nomograma estava mais próximo da linha ideal, e a Análise de Curva de Decisão (DCA) mostrou que o nomograma proporcionou um benefício clínico líquido maior em uma gama mais ampla de probabilidades de limiar.
Saída da Ferramenta: O calculador baseado na web estimou com sucesso as probabilidades de risco (por exemplo, prevendo um risco de 90,3% para um caso de estudo específico) consistente com a saída visual do nomograma.

Significância e Alegações
Os autores afirmam que o modelo baseado em nomograma demonstra desempenho preditivo, reprodutibilidade e estabilidade superiores em comparação com a abordagem de árvore de decisão para pacientes com alta reserva ovariana. O estudo postula que a integração deste modelo com o calculador baseado na web pode facilitar a estratificação de risco individualizada e o manejo de precisão em ambientes clínicos. Especificamente, a ferramenta visa orientar os médicos na triagem de pacientes: aqueles com baixo risco previsto (<10%) podem prosseguir com o tratamento de rotina, enquanto aqueles com risco moderado (10–30%) ou alto (>30%) podem receber monitoramento intensificado ou considerar o cancelamento do ciclo para prevenir complicações graves. Os autores reconhecem limitações, incluindo o desenho retrospectivo de centro único e a falta de comparação com outros algoritmos avançados de ML (ex: XGBoost, Random Forest), sugerindo que estudos prospectivos multicêntricos futuros são necessários para validar ainda mais esses achados.

Mais como este