Development and Validation of an AI-Based Decision Support Tool (PROMETHEUS) for Predicting Methotrexate Success in Ectopic Pregnancy

Resumo Técnico: Desenvolvimento e Validação do PROMETHEUS

Definição do Problema
A gravidez ectópica (GE) é uma condição potencialmente fatal que requer um manejo preciso para minimizar a morbidade e a mortalidade. Embora a terapia com metotrexato (MTX) seja um tratamento não invasivo padrão com taxas de sucesso próximas a 90% em casos bem selecionados, prever quais pacientes responderão com sucesso versus aquelas que necessitarão de intervenção cirúrgica permanece um desafio clínico. As diretrizes atuais baseiam-se em critérios estabelecidos, mas a heterogeneidade das apresentações dos pacientes frequentemente leva a falhas no tratamento, necessitando de cirurgias secundárias. Existe uma necessidade reconhecida de ferramentas mais precisas e baseadas em dados para otimizar a seleção do tratamento, reduzir intervenções cirúrgicas desnecessárias e aprimorar o cuidado personalizado. Embora a Inteligência Artificial (IA) tenha mostrado promessa em vários campos médicos, sua aplicação especificamente para prever o sucesso do MTX na GE ainda está em sua infância, com modelos existentes frequentemente limitados em escopo ou diversidade algorítmica.

Metodologia
Este estudo empregou um delineamento de coorte aninhada retrospectiva para desenvolver e validar uma ferramenta de suporte à decisão impulsionada por IA chamada PROMETHEUS (Prediction of Methotrexate for Ectopic Pregnancy Treatment Success).

• Fonte de Dados e Coorte: O estudo analisou 1.003 prontuários eletrônicos do Hospital de Ensino e Pesquisa Tepecik (2013–2023). Após a aplicação dos critérios de exclusão (dados ausentes, gravidez heterotópica, GE rota, pacientes instáveis e casos de conduta expectante), uma coorte final de 602 casos confirmados de GE foi utilizada.
• Particionamento de Dados: O conjunto de dados foi dividido aleatoriamente em um conjunto de treinamento (80%, n=482) e um conjunto de validação (20%, n=120).
• Engenharia de Atributos (Feature Engineering): Inicialmente, 24 parâmetros clínicos foram registrados, abrangendo histórico do paciente, exame físico, achados de ultrassonografia e valores laboratoriais na admissão. Para garantir a aplicabilidade do modelo na tomada de decisão em tempo real, os parâmetros registrados após as decisões de tratamento (ex: beta-hCG do 4º/7º dia) foram excluídos.
• Seleção de Atributos: Por meio de análise multivariada, dois parâmetros (histórico de gravidez ectópica anterior e sangramento vaginal) foram excluídos do modelo final devido ao comportamento inconsistente e potencial ruído, restando 22 parâmetros para o modelo preditivo.
• Desenvolvimento de Algoritmos: O estudo avaliou 15 algoritmos de IA diferentes, incluindo Bagging, J48, Random Forest, Regressão Logística e Redes Neurais (MLP). O objetivo era classificar os pacientes em dois desfechos binários: sucesso da terapia com MTX versus a necessidade de intervenção cirúrgica.
• Métricas de Avaliação: O desempenho do modelo foi avaliado utilizando acurácia, sensibilidade, especificidade, Valor Preditivo Positivo (VPP), Valor Preditivo Negativo (VPN) e a Área Sob a Curva (AUC).

Principais Contribuições

1. Desenvolvimento do PROMETHEUS: A principal contribuição é a criação de uma ferramenta de suporte à decisão amigável, compatível com dispositivos móveis e desktop, projetada para prever o sucesso do tratamento com MTX com base em dados clínicos de base.
2. Comparação Algorítmica Abrangente: Diferente de muitos estudos que testam um número limitado de modelos, esta pesquisa avaliou sistematicamente 15 algoritmos distintos de IA para identificar a arquitetura ideal para este problema clínico específico.
3. Identificação do Algoritmo Bagging: O estudo determinou que o algoritmo Bagging proporcionou o equilíbrio ideal de métricas de desempenho, superando outros modelos, incluindo J48, Decision Table, Random Forest e Jrip.
4. Foco na Utilidade Clínica: A ferramenta é explicitamente desenhada para complementar, não substituir, o julgamento clínico, oferecendo uma pontuação de probabilidade para auxiliar ginecologistas no planejamento do tratamento.

Resultados

• Características Clínicas: Diferenças significativas foram observadas entre os grupos de tratamento. Pacientes que necessitaram de cirurgia (seja primária ou após falha do MTX) apresentaram massas ectópicas de maior tamanho, maiores taxas de dor pélvica, defesa abdominal, dor à descompressão e líquido livre na ultrassonografia. A análise laboratorial revelou que os grupos cirúrgicos apresentaram níveis significativamente menores de hemoglobina e linfócitos, e contagens mais altas de glóbulos brancos e neutrófilos em comparação aos tratados com sucesso via MTX.
• Desempenho do Modelo: Os cinco principais algoritmos demonstraram alta acurácia com associações estatisticamente significativas (p < 0,001) entre os resultados previstos e reais.
  • Algoritmo Bagging: Alcançou a maior acurácia geral de 93,86%. Demonstrou uma sensibilidade de 92,7%, especificidade de 94,8% e uma AUC de 93,8%.
  • Comparação: O algoritmo J48 seguiu de perto com 93,84% de acurácia. Modelos estatísticos tradicionais, como a Regressão Logística, alcançaram acurácia inferior (aprox. 85%) neste conjunto de dados específico em comparação aos métodos de conjunto (ensemble methods).
• Validação: O modelo foi validado na coorte reservada de 20%, confirmando sua robustez e poder discriminatório.

Significância e Alegações
O artigo posiciona o PROMETHEUS como um passo inovador em direção à integração da IA no manejo de complicações precoces da gravidez. Os autores afirmam que a ferramenta oferece um método de alta acurácia para prever o sucesso do MTX, potencialmente reduzindo a morbidade relacionada ao tratamento e otimizando os fluxos de trabalho clínicos ao minimizar cirurgias desnecessárias.

O estudo enfatiza que o PROMETHEUS é um dos primeiros sistemas baseados em IA especificamente projetados para prever o sucesso do tratamento, e não apenas o diagnóstico. Ao utilizar uma ampla gama de algoritmos e focar em um classificador único e robusto (Bagging), os autores argumentam que a ferramenta atinge um nível de confiabilidade adequado para suporte clínico. Os autores observam modestamente que, embora a validação interna seja robusta, os achados são atualmente limitados a uma única instituição. Eles afirmam que a ferramenta ainda não foi implementada na prática rotineira, mas serve como base para estudos de validação prospectiva e futuras pesquisas multi-institucionais para expandir sua aplicabilidade clínica. O objetivo final é fornecer uma camada suplementar de suporte baseado em evidências aos clínicos, particularmente em cenários onde o acesso a especialistas seniores pode ser limitado.