Estimating VO2max in patients with obesity using machine learning: A retrospective observational cohort study

O corpo humano é um motor extraordinário, mas o seu medidor mais vital é frequentemente o mais difícil de ler. Este medidor é a aptidão cardiorrespiratória, a medida de quão eficientemente o coração, os pulmões e os músculos trabalham juntos para consumir oxigénio durante um esforço intenso. Em termos médicos, esta capacidade máxima é conhecida como VO2max. É um poderoso preditor de saúde a longo prazo; uma pontuação baixa acarreta um risco de morte prematura comparável ao tabagismo ou à diabetes. Durante décadas, a única forma de medir isto com precisão era colocar uma pessoa numa passadeira ou numa bicicleta estática, fazer com que ela se exercitasse até não conseguir ir mais longe e analisar a sua respiração com maquinaria cara e complexa. Este processo é demorado, requer pessoal especializado e pode ser fisicamente intimidante, especialmente para indivíduos que carregam peso excessivo. Consequentemente, muitas pessoas, particularmente aquelas com obesidade severa, nunca são testadas, deixando os médicos sem uma peça crucial de informação de saúde.

Uma equipa de investigadores na Noruega decidiu resolver este problema ao questionar se um computador poderia aprender a adivinhar o nível de aptidão de uma pessoa utilizando apenas as informações básicas já disponíveis num registo médico padrão. Eles focaram-se especificamente em adultos com obesidade severa, um grupo frequentemente excluído dos estudos que criaram as fórmulas antigas e padrão para estimar a aptidão. Ao alimentar programas de computador avançados com dados de 253 pacientes, a equipa treinou estes modelos para encontrar padrões entre medições simples — como idade, altura e peso — e o consumo real de oxigénio medido durante testes rigorosos de exercício. O objetivo deles não era substituir o teste médico padrão de ouro, mas sim criar uma alternativa fiável e acessível para situações em que o teste completo é impossível de realizar.

Os investigadores abordaram o problema em três etapas, dando gradualmente ao computador mais informações para trabalhar. Na primeira etapa, o modelo viu apenas quatro factos básicos: o sexo, a idade, a altura e o peso corporal do paciente. Na segunda etapa, adicionaram medições da cintura e da anca, juntamente com leituras da pressão arterial. Na etapa final, mais detalhada, o modelo também aprendeu sobre a massa gorda do paciente e a rapidez com que o seu coração batia em repouso e no seu máximo. A equipa testou onze tipos diferentes de modelos de aprendizagem de computador para ver qual deles conseguiria fazer os palpites mais precisos. Eles descobriram que dois tipos específicos de modelos, conhecidos como Regressão de Ridge Bayesiana e Determinação de Relevância Automática, tiveram o melhor desempenho. Estes modelos aprenderam a ponderar a importância de cada peça de informação de forma diferente, dependendo de quanta informação estava disponível.

Quando os modelos foram testados em pacientes que nunca tinham visto antes, mostraram um padrão claro de melhoria à medida que mais dados eram adicionados. O modelo mais simples, utilizando apenas os quatro factos básicos, cometeu um erro médio de cerca de 12,5 por cento ao adivinhar o consumo de oxigénio. Quando o modelo recebeu os detalhes extras sobre a forma corporal e a pressão arterial, o erro baixou para 12,0 por cento. Com o conjunto completo de informações, incluindo a frequência cardíaca e a massa gorda, o erro caiu ainda mais para 11,3 por cento. Embora isto não seja tão preciso como a medição direta de uma passadeira, que geralmente tem um erro de apenas 2 a 6 por cento, os investigadores notaram que uma margem de erro de 11 por cento é frequentemente aceitável para estimativas clínicas quando o teste direto não pode ser realizado. O estudo também revelou que os modelos de computador foram notavelmente consistentes no que consideravam importante. Em todos os três níveis de complexidade, o sexo e a idade do paciente foram os preditores mais fortes de aptidão. Os homens mostraram consistentemente níveis de aptidão mais elevados do que as mulheres, e a aptidão declinou à medida que a idade aumentava, um padrão que se alinha com décadas de conhecimento médico estabelecido.

O estudo também descobriu como a composição corporal influencia estas estimativas. No modelo mais simples, o peso corporal não pareceu importar muito. No entanto, assim que o modelo aprendeu sobre a massa gorda e outros detalhes fisiológicos, o peso corporal tornou-se um fator significativo. Isto faz sentido porque uma pessoa mais pesada precisa de mover mais massa, o que requer mais oxigénio, mas apenas se essa massa extra for tecido ativo em vez de apenas gordura. Os investigadores descobriram que a circunferência da cintura também era uma pista útil; uma cintura maior estava ligada a uma menor aptidão, provavelmente porque o excesso de gordura abdominal pode restringir o movimento do diafragma e dificultar a respiração durante o exercício. Surpreendentemente, a circunferência da anca e as leituras da pressão arterial tiveram muito pouca influência nas estimativas finais, sugerindo que, para este grupo específico de pacientes, estas medições não acrescentaram muita informação nova além do que já era conhecido pela idade, sexo e peso.

Uma das características mais promissoras dos modelos de computador foi a sua capacidade de expressar dúvida. Como os melhores modelos foram construídos com base num tipo de matemática que lida com a probabilidade, eles podiam dizer aos investigadores o quão confiantes estavam em cada palpite. O estudo encontrou uma ligação direta entre o tamanho do erro e a incerteza declarada pelo modelo: quando o modelo estava menos seguro, era mais propenso a errar. Esta característica poderia ser vital numa clínica do mundo real, pois permitiria a um médico ver não apenas um número, mas também um sinal de alerta se esse número fosse provavelmente impreciso. Isto ajudaria os clínicos a decidir quando é seguro confiar na estimativa e quando um paciente necessita verdadeiramente do teste de exercício completo e rigoroso.

Os investigadores foram cuidadosos ao notar que as suas descobertas se baseiam num grupo relativamente pequeno de pacientes de um único hospital na Noruega, e que os modelos ainda ficam aquém da precisão da medição direta. Eles enfatizaram que, embora estas ferramentas sejam um passo em frente, não são uma solução acabada. O estudo sugere que, com grupos maiores de pessoas e talvez mais dados sobre hábitos de estilo de vida, estes palpites de computador poderiam tornar-se ainda mais aguçados. Por agora, o trabalho demonstra que a aprendizagem automática pode traduzir com sucesso dados médicos rotineiros numa estimativa significativa da saúde do coração e dos pulmões, oferecendo uma forma menos onerosa de monitorizar a aptidão numa população que tem sido historicamente difícil de avaliar.