Spatiotemporal dynamics of Plasmodium falciparum transmission across changing land use and land cover in the Greater Kumasi Metropolitan Area

Resumo Técnico: Desenvolvimento e Validação Externa de Modelos de Risco Competitivo para Fraturas de Quadril e Osteoporose Maior

Definição do Problema
As fraturas de fragilidade representam uma das principais causas de mortalidade, incapacidade e perda de independência globalmente, com a incidência aumentando juntamente com o envelhecimento da população. As ferramentas atuais de previsão de risco de fratura, especificamente o FRAX e o QFracture, são amplamente utilizadas para orientar as avaliações da densidade mineral óssea e os tratamentos preventivos. No entanto, esses algoritmos estabelecidos exibem limitações significativas:

1. Exclusão de Populações de Risco Emergentes: Eles não consideram explicitamente populações crescentes que vivem com deficiências de aprendizagem, síndrome de Down, esclerose múltipla, deficiência visual, HIV/AIDS e sobreviventes de câncer, apesar de evidências sugerirem que esses grupos enfrentam riscos elevados de fratura.
2. Tratamento Inadequado da Mortalidade Competitiva: Os modelos existentes frequentemente falham em considerar suficientemente a probabilidade de morte por outras causas (mortalidade competitiva) antes que ocorra uma fratura. Essa negligência pode levar à superestimação do risco de fratura em 10 anos, particularmente em adultos mais velhos e naqueles com multimorbidade, podendo alterar decisões clínicas relativas à avaliação e intervenção.
3. Preocupações com Equidade: Há um debate contínuo sobre a inclusão ou exclusão de etnia em algoritmos de risco. Remover características protegidas para garantir a equidade pode, inadvertidamente, degradar a calibração do modelo e levar a uma super ou subprevisão sistemática em grupos étnicos específicos.

Metodologia
Os autores desenvolveram e validaram modelos de previsão de risco de 10 anos para fratura de quadril e para fratura osteoporótica maior (MOF) específicos para cada sexo, utilizando um conjunto de dados massivo e vinculado de 15,6 milhões de adultos (com idades entre 30 e 100 anos) do Reino Unido.

• Fontes de Dados: O estudo utilizou registros de cuidados primários vinculados (QResearch e CPRD), registros de admissão hospitalar e dados de mortalidade.
• Coortes:
  • Coorte de Derivação: 9.465.613 participantes do QResearch (Inglaterra).
  • Validação Interna: 3.155.655 participantes de uma coorte retida do QResearch.
  • Validação Externa: 3.011.531 participantes do CPRD (Inglaterra e País de Gales), representando um banco de dados diferente, sistema de software clínico distinto e um período histórico diferente (2001–2012 vs. 2013–2024).
• Arquitetura do Modelo:
  • Modelo A: Reestimou contemporaneamente a arquitetura do preditor QFracture estabelecido, enquanto contabilizou explicitamente a mortalidade competitiva usando modelos de Cox de causa específica.
  • Modelo B: Construído sobre o Modelo A, incorporando preditores adicionais: deficiência de aprendizagem, síndrome de Down, esclerose múltipla, deficiência visual, HIV/AIDS, cânceres selecionados e terapias endócrinas direcionadas ao câncer (inibidores de aromatase e terapia de privação de andrógenos).
  • Modelo C: Uma variante do Modelo B onde a etnia foi omitida para testar o impacto da remoção desta variável na equidade e calibração.
• Análise Estatística: O desempenho foi avaliado por meio de discriminação (estatísticas C), calibração (razões observado-para-esperado, interceptos/inclinações de calibração), escores de Brier, análise de curva de decisão (benefício líquido) e métricas de reclassificação. Dados ausentes foram tratados via imputação múltipla.

Principais Resultados

• Discriminação: Todos os modelos demonstraram alta discriminação. O Modelo B apresentou estatísticas C marginalmente superiores ao Modelo A e ao QFracture em algumas comparações (ex: MOF em mulheres: 0,816 para o Modelo B vs. 0,814 para o QFracture no QResearch). No entanto, as diferenças no índice C foram geralmente pequenas, pois a discriminação geral é fortemente impulsionada pela idade.
• Calibração: O Modelo A e o Modelo B apresentaram calibração substancialmente melhor que o QFracture, particularmente na validação externa. O QFractore superpreviu significativamente o risco (razões observado-para-esperado variando de 0,499 a 0,758), enquanto os Modelos A e B tiveram razões mais próximas de 1,0 (ex: 0,950–1,122). Esse melhoria foi atribuída à estimativa contemporânea dentro de uma estrutura de risco competitivo.
• Utilidade Clínica e Reclassificação: A análise de curva de decisão indicou que os Modelos A e B proporcionaram um benefício líquido superior ao QFracture em intervalos de limiar pré-especificados, especialmente para mulheres e previsão de fratura de quadril.
  • Reclassificação: O Modelo B reclassificou indivíduos para categorias de risco mais elevadas que eram mais jovens e possuíam maiores prevalências dos novos preditores incorporados (ex: deficiência de aprendizagem, HIV). Aqueles reclassificados para cima pelo Modelo B apresentaram riscos observados de 10 anos mais elevados (7,93% para MOF) comparados aos reclassificados para baixo (6,50%).
  • Trajetórias de Risco: A inclusão de novos preditores deslocou as trajetórias de risco absoluto em direção aos limiares clínicos em idades mais jovens. Por exemplo, indivíduos com deficiência de aprendizagem atingiram o limiar de 10% de risco de MOF aproximadamente 10 anos antes do que indivíduos comparáveis sem a condição.
• Análise de Etnia: A omissão da etnia (Modelo C) resultou em discriminação semelhante, mas calibração materialmente pior, produzindo especialmente a superprevisão em grupos não brancos. Isso sugere que simplesmente remover a etnia não garante previsões equitativas e pode levar a tratamentos desnecessários.

Significância e Alegações
O artigo postula que o principal avanço no desempenho ao nível populacional provém da estimativa contemporânea dentro de uma estrutura de risco competitivo (Modelo A vs. QFracture), que corrige a superprevisão sistemática e melha a calibração.

A principal novidade clínica e conceitual do Modelo B reside na inclusão explícita de fatores de risco para populações que são cada vez mais prevalentes devido à melhoria da sobrevivência com doenças crônicas (ex: câncer, HIV), mas que são atualmente sub-representadas nas ferramentas padrão. Ao incorporar esses fatores, o modelo facilita:

1. Identificação Precoce: Estimulando avaliações de risco de fratura para indivíduos (ex: aqueles com deficiências de aprendizagem ou em terapia de privação de andrógenos) em idades mais jovens do que os limiares baseados na idade sugeririam.
2. Avaliação Inclusiva: Reduzindo a dependência de clínicos para identificar e contabilizar manualmente fatores de risco omitidos pelos algoritmos padrão.
3. Equidade Refinada: Demonstrando que incluir a etnia, em vez de omiti-la, produz melhor calibração entre diversos grupos, desafiando a noção de que remover características protegidas é o único caminho para a equidade algorítmica.

Os autores concluem que os modelos de previsão devem evoluir junto com as mudanças na sobrevivência, padrões de tratamento e composição populacional, em vez de permanecerem fixos a coortes históricas. Eles enfatizam que, embora o Modelo B ofereça uma representação clínica mais ampla, seu impacto na avaliação, tratamento e resultados reais dos pacientes requer mais avaliações em ambientes além do Reino Unido.