Machine learning-based identification of key risk factors for deep vein thrombosis within one week after total joint arthroplasty in elderly patients

Todos os anos, milhões de adultos idosos passam por cirurgias de grande porte para substituir articulações de quadril ou joelho desgastadas, um procedimento que restaura a mobilidade e alivia a dor. No entanto, o processo de recuperação carrega um perigo oculto: a formação de coágulos sanguíneos nas veias profundas das pernas, uma condição conhecida como trombose venosa profunda. Para pacientes idosos, essa complicação é particularmente séria. Ela pode prolongar as estadias hospitalares, aumentar os custos médicos e, em casos graves, levar a eventos potencialmente fatais se um coágulo viajar para os pulmões. Os médicos há muito dependem de listas de verificação padrão para estimar quem está em maior risco, mas essas ferramentas frequentemente tratam todos os pacientes de substituição articular da mesma forma, rotulando todos como de alto risco sem distinguir quem está verdadeiramente em perigo. Essa falta de precisão torna difícil fornecer o nível de proteção adequado para cada indivíduo.

Para resolver isso, pesquisadores recorreram a um ramo da ciência da computação chamado aprendizado de máquina (machine learning). Em vez de seguir um conjunto fixo de regras, esses programas de computador aprendem com vastas quantidades de dados passados de pacientes para encontrar padrões complexos que observadores humanos poderiam perder. O objetivo é construir uma ferramenta digital que possa analisar o histórico médico de um paciente, resultados de exames de sangue e detalhes de sua cirurgia para prever, com alta precisão, se ele desenvolverá um coágulo sanguíneo dentro da primeira semana após a operação. Ao identificar os fatores específicos que mais importam, tal ferramenta poderia ajudar os médicos a personalizar as estratégias de prevenção, garantindo que aqueles que precisam de cuidados extras os recebam, evitando tratamentos desnecessários para aqueles que não precisam.

Uma equipe de pesquisadores da Universidade de Ciência e Tecnologia da China estabeleceu o objetivo de construir e testar tal ferramenta. Eles reuniram informações de 3.050 pacientes idosos, todos com 60 anos ou mais, que haviam passado por artroplastia total de articulação em um único hospital em 2024. A equipe coletou uma ampla gama de pontos de dados para cada pessoa, incluindo idade, sexo, índice de massa corporal e histórico médico de condições como diabetes ou câncer. Eles também extraíram números específicos de exames de sangue pré-operatórios, como níveis de inflamação e fatores de coagulação sanguínea, e registraram detalhes da sala de operação, incluindo a duração da cirurgia, se o cimento ósseo foi utilizado e se um torniquete foi aplicado para interromper o fluxo sanguíneo durante o procedimento. O desfecho que tentavam prever era simples, mas crítico: o paciente desenvolveu um coágulo na perna dentro de sete dias após a cirurgia, conforme confirmado por um exame de ultrassom?

Para treinar seus modelos de computador, os pesquisadores tiveram que enfrentar um problema comum nos dados médicos: a maioria dos pacientes não desenvolve coágulos, enquanto um número menor sim. Esse desequilíbrio pode confundir um algoritmo de aprendizado. Para corrigir isso, eles utilizaram uma técnica que cria exemplos sintéticos do grupo menos comum, equilibrando efetivamente o conjunto de dados para que o computador pudesse aprender com ambos os lados igualmente. Em seguida, dividiram os dados, usando a maior parte para ensinar quatro tipos diferentes de algoritmos de aprendizado de máquina a fazer previsões, e reservando o restante para testar o quão bem essas previsões funcionariam em novos pacientes não vistos anteriormente. Os quatro algoritmos testados incluíram um método estatístico tradicional conhecido como regressão logística, uma árvore de decisão que faz uma série de perguntas de sim ou não, uma floresta aleatória (random forest) que combina muitas árvores de decisão e um método poderoso chamado XGBoost, que constrói um modelo altamente preciso ao aprender com seus próprios erros.

Quando a equipe comparou os resultados, um modelo se destacou claramente. O algoritmo XGBoost provou ser o mais eficaz, identificando corretamente a grande maioria dos pacientes que desenvolveriam ou não um coágulo. Ele alcançou um nível de precisão que superou amplamente os outros métodos, incluindo a abordagem estatística tradicional, que teve dificuldades em capturar as relações complexas entre os diferentes fatores de risco. O modelo de floresta aleatória teve um bom desempenho, mas não foi tão preciso, enquanto a árvore de decisão e o modelo estatístico tradicional ficaram significativamente atrás. O desempenho superior do modelo XGBoost sugere que o risco de desenvolver um coágulo não é impulsionado por um único fator, mas por uma teia complexa de interações que apenas um programa de computador sofisticado pode desvendar.

Para entender por que esse modelo funcionou tão bem, os pesquisadores utilizaram um método para remover as camadas do algoritmo e ver quais informações específicas estavam direcionando as previsões. Eles descobriram que os fatores mais influentes não foram a duração da cirurgia ou o uso de cimento ósseo, como alguns poderiam esperar, mas sim o exame de sangue pré-operatório do paciente. Especificamente, o tempo que o sangue levava para coagular, o nível de uma proteína chamada proteína C-reativa, que sinaliza inflamação, e a quantidade de uma substância chamada D-dímero foram os preditores mais fortes. O sexo do paciente também desempenhou um papel significativo, com as mulheres apresentando um risco maior do que os homens neste grupo. Essas descobertas alinham-se com o que se sabe sobre como a inflamação e a coagulação sanguínea interagem no corpo, sugerindo que o estado interno de um paciente antes da cirurgia é um indicador de risco precoce mais confiável do que os detalhes da operação em si.

O estudo conclui que essa abordagem de aprendizado de máquina oferece uma maneira promissora de melhorar o cuidado ao paciente. Ao utilizar um modelo capaz de analisar com precisão dados médicos complexos, os médicos poderão, em breve, identificar pacientes idosos em alto risco para coágulos sanguíneos com muito mais precisão do que os métodos atuais permitem. Isso permitiria estratégias de prevenção mais direcionadas, focando recursos naqueles que mais precisam. Embora os pesquisadores observem que seu trabalho é baseado em dados de um único hospital e requer testes adicionais em grupos maiores para confirmar sua confiabilidade, os resultados fornecem uma base sólida para uma nova era de avaliação de risco personalizada na cirurgia ortopédica. O caminho a seguir envolve validar essas descobertas em diferentes centros médicos para garantir que a ferramenta funcione para todos, mas o potencial de prevenir uma complicação perigosa através de uma melhor previsão agora está ao alcance.