The Analysis of Sepsis Vascular Response Index Based on Machine Learning

Resumo Técnico: A Análise do Índice de Resposta Vascular da Sepse Baseada em Aprendizado de Máquina

Definição do Problema
A sepse e o choque séptico representam respostas corporais desreguladas críticas à infecção, frequentemente levando à falência múltipla de órgãos e altas taxas de mortalidade. Um fenômeno específico e desafiador no choque séptico é a "paralisia vascular", onde os pacientes exibem uma resposta vascular deficiente aos fármacos vasopressores, resultando em hipotensão persistente apesar da ressuscitação volêmica adequada. Atualmente, não existe uma definição clínica unificada para o grau de paralisia vascular, e as ferramentas existentes para identificar sua gravidade e prognóstico são limitadas. Consequentemente, a paralisia vascular é frequentemente detectada apenas em estágios terminais, levando a desfechos desfavoráveis. Embora o Índice de Reatividade Vascular (VRI), definido como o índice de resistência vascular periférica dividido pelo escore de força muscular vascular (SVRI/VIS), tenha mostrado promessa em populações pediátricas, sua utilidade em pacientes adultos com choque séptico permanece subexplorada. Este estudo aborda a necessidade de novas ferramentas para monitorar a gravidade da paralisia vascular e melhorar a avaliação prognóstica precoce em adultos.

Metodologia
Este estudo retrospectivo analisou dados clínicos de 126 pacientes adultos em choque séptico admitidos na Unidade de Terapia Intensiva (UTI) do Segundo Hospital Afiliado da Universidade Médica de Guilin entre dezembro de 2017 e dezembro de 2022. Todos os pacientes preencheram os critérios diagnósticos de Sepse 3.0, foram submetidos ao monitoramento de Débito Cardíaco Contínuo por Indicador de Pulso (PICCO) e receberam terapia vasopressora ou inotrópica positiva.

• Pré-processamento de Dados: As variáveis clínicas incluíram dados demográficos, sinais vitais, resultados laboratoriais (ex: lactato, WBC, CRP) e parâmetros hemodinâmicos (ex: MAP, SVV, ELWI, GEDI, SVRI). Os valores ausentes foram imputados pelo método de imputação pela média, os outliers foram tratados e os dados foram padronizados.
• Modelos de Aprendizado de Máquina: A principal ferramenta analítica foi o classificador XGBoost (eXtreme Gradient Boosting). A otimização de hiperparâmetros foi realizada utilizando a biblioteca Optuna para ajustar a profundidade da árvore, taxa de aprendizado, parâmetros de regularização e razões de subamostragem. O desempenho do modelo foi validado por meio de validação cruzada de cinco dobras (five-fold cross-validation).
• Análise Comparativa: O modelo XGBoost foi comparado com Support Vector Machines (SVM) e Regressão Logística (LR). Adicionalmente, um modelo de stacking ensemble guiado pelo VRI foi proposto, integrando aprendizes base (LR, SVM, Random Forest, XGBoost, LightGBM, CatBoost) com um meta-classificador para combinar as forças de modelos heterogêneos.
• Interpretabilidade: Valores SHAP (SHapley Additive exPlanations) foram empregados para interpretar as previsões do modelo, identificando a importância das características e a direção da influência de indicadores clínicos específicos.
• Comparação com Clínicos: As previsões de 11 clínicos de UTI foram coletadas e comparadas com o desempenho do modelo de aprendizado de máquina para avaliar a precisão prognóstica humana versus algorítmica.

Principais Contribuições

1. Aplicação de XGBoost ao VRI: O estudo aplica técnicas avançadas de gradient boosting para analisar o Índice de Reatividade Vascular no choque séptico em adultos, indo além da análise linear tradicional.
2. Identificação de Preditores Chave: Através da análise SHAP, o estudo identifica a Pressão Arterial Média (MAP), a Variação do Volume Sistólico (SVV), o Índice Visual (VIS) e o Índice de Água Pulmonar Extravascular (ELWI) como os indicadores fisiológicos mais críticos que influenciam a previsão da resposta vascular.
3. Limiares Prognósticos: A pesquisa estabelece um limiar específico de VRI (< 28,2) associado a um mau prognóstico. Pacientes com um VRI abaixo deste limiar exibiram uma taxa de mortalidade em 28 dias 3,857 vezes maior do que aqueles com VRI ≥ 28,2.
4. Superioridade do Modelo: O estudo demonstra que o modelo XGBoost supera significativamente tanto o SVM quanto a LR em termos de precisão de classificação e Área Sob a Curva (AUC) para prever a resposta vascular e a mortalidade.
5. Comparação Humano vs. Algoritmo: O artigo fornece uma análise comparativa mostrando que o modelo de aprendizado de máquina oferece avaliações prognósticas mais estáveis e consistentes em comparação com as previsões variáveis e heterogêneas de clínicos individuais.

Resultos

• Características da Coorte: O estudo incluiu 126 pacientes (89 homens, 37 mulheres) com idade média de 60,61 anos. A taxa de sobrevivência em 28 dias foi de 34,92% (44 sobreviventes, 82 óbitos).
• Desempenho do Modelo: O modelo XGBoost alcançou uma AUC de 0,90, indicando alta capacidade discriminativa em distinguir os status de resposta vascular. Em contraste, o modelo SVM apresentou uma AUC de 0,55, e o modelo LR mostrou sinais de subajuste (underfitting) com uma tendência de previsão plana.
• Importância das Características: A classificação de características do XGBoost e os gráficos SHAP confirmaram que MAP, SVV, VIS e ELWI foram os principais impulsionadores das previsões do modelo. Escores APACHE II, SOFA, SVV e valores de VIS mais altos correlacionaram-se com maior mortalidade, assim como taxas de clareamento de lactato de 72 horas mais baixas.
• Correlação Clínica: A combinação do VRI com os escores APACHE II e SOFA demonstrou maior valor clínico e sensibilidade na previsão do prognóstico em comparação ao uso isolado desses escores.
• Variabilidade dos Clínicos: As previsões dos clínicos mostraram uma variabilidade significativa entre avaliadores (risco previsto mediano variando de 0,005 a 0,750), enquanto o modelo de aprendizado de máquina forneceu resultados reprodutíveis.

Significância
O artigo afirma que o Índice de Reatividade Vascular (VRI) é uma ferramenta clínica significativa para prever o prognóstico de pacientes adultos com choque séptico. Ao utilizar o aprendizado de máquina, especificamente o XGBoost, o estudo sugere que o VRI pode servir como um indicador quantitativo para avaliar a gravidade da paralisia vascular precocemente no curso da doença. Os achados indicam que um nível de VRI mais baixo está associado a uma maior taxa de mortalidade, e a integração do VRI com sistemas de pontuação padrão (APACHE II, SOFA) aumenta a precisão prognóstica. O estudo conclui que fortalecer o monitoramento dos indicadores hemodinâmicos através de tais estruturas de aprendizado de máquina pode reduzir a mortalidade dos pacientes e melhorar a orientação do tratamento, particularmente ao identificar pacientes de alto risco que podem necessitar de intervenção mais agressiva antes de atingirem os estágios terminais da paralisia vascular.