A spatiotemporally validated machine-learning score for venous thromboembolism risk after neurosurgery

Resumo Técnico: Uma Pontuação de Aprendizado de Máquina Espaciotemporalmente Validada para Risco de VTE Após Neurocirurgia

Definição do Problema
O tromboembolismo venoso (TEV) é uma complicação potencialmente fatal após a neurocirurgia, mas as ferramentas atuais de estratificação de risco enfrentam limitações significativas. O modelo de avaliação de risco de Caprini, amplamente utilizado, frequentemente superestima o risco em populações neurocirúrgicas porque atribui pontos para fatores cirúrgicos gerais (ex: cirurgia prolongada, mobilidade restrita) que são onipresentes nesta coorte, levando a um "efeito de teto" onde a maioria dos pacientes é categorizada como de alto risco. Isso reduz a especificidade e dificulta a tromboprofilaxia individualizada. Além disso, os modelos de aprendizado de máquina (ML) existentes para a predição de TEV muitas vezes carecem de interpretabilidade, exigem variáveis clínicas excessivas que aumentam a carga de avaliação ou falham em passar por uma validação temporal e externa rigorosa, limitando sua generalização entre diferentes instituições e ambientes clínicos.

Metodologia
O estudo empregou um design de desenvolvimento e validação de modelo de predição retrospectivo, aderindo às diretrizes TRIPOD e STROBE.

• Fontes de Dados: O conjunto de dados interno compreendeu 3.644 pacientes adultos neurocirúrgicos do Hospital Huashan, Universidade de Fudan (agosto de 2018–dezembro de 2021). Para otimizar a eficiência computacional mantendo todos os eventos de desfecho, foi utilizada uma estratégia de amostragem caso-controle de 1:4 (731 casos de TEV e 2.913 controles), aumentando artificialmente a prevalência de TEV para ~20% para o treinamento do modelo. Esta coorte foi dividida cronologicamente em um conjunto de treinamento (n=2.627) e um conjunto de teste temporal (n=1.017). Uma validação externa independente foi realizada utilizando o banco de dados MIMIC-IV (n=10.268), onde 4,34% desenvolveram TEV.
• Seleção de Características: Os preditores candidatos foram limitados a variáveis perioperatórias rotineiramente disponíveis, excluindo explicitamente o escore de Caprini para evitar viés de incorporação. A redução inicial de características destilou 25 candidatos em 15 características principais.
• Desenvolvimento do Modelo: Quatro arquiteturas de modelagem foram avaliadas usando validação cruzada aninhada de cinco dobras: Floresta Aleatória (Random Forest), Extreme Gradient Boosting (XGBoost), regressão logística com penalização LASSO e regressão logística convencional. O XGBoost demonstrou a maior discriminação (AUC=0,790) no conjunto de teste interno.
• Interpretabilidade e Simplificação: As explicações SHapley Additive exPlanations (SHAP) e a importância por permutação foram aplicadas ao modelo XGBoost ideal para identificar os preditores mais influentes. Este processo isolou quatro variáveis fundamentais: D-dímero de pico, idade, transfusão de sangue e índice de massa corporal (IMC).
• Derivação da Pontuação: Uma pontuação clínica simplificada (0–18 pontos) foi derivada atribuindo pontos proporcionais aos valores médios relativos de SHAP destes quatro preditores categorizados. As categorias de risco foram definidas como baixo (0–3), moderado (4–7) e alto (≥8).
• Validação: O modelo passou por validação espaciotemporal, avaliando discriminação (AUC), calibração, utilidade clínica (Análise de Curva de Decisão) e reclassificação de risco contra o modelo de Caprini, tanto na coorte de teste temporal interna quanto na coorte externa MIMIC-IV.

Principais Resultados

• Desempenho Preditivo: A pontuação simplificada de quatro variáveis superou significativamente o modelo de Caprini em todos os cenários de validação.
  • Coorte de Teste Interna: AUC de 0,745 (IC 95%, 0,707–0,782) para a nova pontuação vs. 0,662 para Caprini (P < 0,0001).
  • Validação Externa (MIMIC-IV): AUC de 0,726 (IC 95%, 0,703–0,749) para a nova pontuação vs. 0,642 para Caprini (P < 0,0001).
  • A pontuação simplificada foi estatisticamente não-inferior ao modelo de regressão logística contínua completo, confirmando que a redução do modelo para quatro variáveis preservou a integridade preditiva.
• Utilidade Clínica: A Análise de Curva de Decisão (DCA) demonstrou que a nova pontuação proporcionou um benefício clínico líquido consistentemente maior em todas as probabilidades de limiar relevantes comparado à ferramenta de Caprini.
• Reclassificação de Risco: A análise de diagrama de Sankey revelou que a nova pontuação sistemática e seguramente rebaixou uma proporção substancial de pacientes que o modelo de Caprini havia superestimado incorretamente como de alto risco, reatribuindo-os às categorias de risco moderado ou baixo. Isso sugere que o novo modelo pode mitigar o alerta sistêmico excessivo.
• Importância das Características: O D-dímero de pico emergiu como o preditor dominante, seguido por idade, transfusão de sangue e IMC. Notavelmente, o tipo sanguíneo não mostrou associação significativa nesta coorte, contrastando com parte da literatura geral.

Principais Contribuições

1. Desenvolvimento de uma Pontuação Parcimoniosa: O estudo traduziu com sucesso achados complexos de aprendizado de máquina em uma pontuação concisa e interpretável de quatro variáveis (D-dímero de pico, Idade, Transfusão de Sangue, IMC) que é viável para aplicação à beira do leito.
2. Validação Espaciotemporal Rigorosa: Ao contrário de muitos estudos anteriores, este modelo foi validado não apenas temporalmente (usando um período distinto dos dados de treinamento), mas também geográfica e institucionalmente (usando o banco de dados independente MIMIC-IV), demonstrando transportabilidade robusta.
3. Abordagem da Superestimação: O estudo fornece evidências empíricas de que o modelo de Caprini superestima o risco de TEV em pacientes neurocirúrgicos e oferece uma alternativa validada que melhora a especificidade sem sacrificar a sensibilidade.
4. Ferramentas de Implementação Clínica: Os autores desenvolveram um nomograma clínico amigável e uma calculadora dinâmica baseada na web para facilitar a adoção desta ferramenta de estratificação de risco.

Significância e Alegações
O artigo afirma que esta pontuação de quatro variáveis, validada espaciotemporalmente, oferece um método superior para a estratificação de risco de TEV na neurocirurgia em comparação com estruturas convencionais. Ao utilizar apenas parâmetros pós-operatórios iniciais rotineiramente disponíveis, a ferramenta visa reduzir a carga de avaliação sobre os clínicos, permitindo estratégias de tromboprofilaxia mais precisas e individualizadas. Os autores propõem um caminho clínico estratificado por risco onde pacientes de baixo risco recebem profilaxia mecânica e mobilização precoce, enquanto pacientes de risco moderado e alto recebem intervenções farmacológicas personalizadas. O estudo conclui que o aprendizado de máquina pode aumentar substancialmente a precisão da predição de TEV, mantendo a viabilidade necessária para a prática clínica rotineira, apoiando assim o manejo mais seguro desta população de alto risco.