Integrating Vascular, Neurological, and Metabolic Factors into a Validated Nomogram to Predict 90‑day Outcomes after Mechanical Thrombectomy for Acute Ischemic Stroke

Resumo Técnico: Integração de Fatores Vasculares, Neurológicos e Metabólicos em um Nomograma Validado para Desfechos de 90 Dias após Trombectomia Mecânica

Definição do Problema
Embora a trombectomia mecânica (TM) seja o padrão de cuidado para o acidente vascular cerebral isquêmico (AVCi) agudo com oclusão de grande vaso, os desfechos dos pacientes permanecem altamente variáveis, com até 40% falhando em atingir a independência funcional (Escala de Rankin Modificada [mRS] ≥ 3) aos 90 dias, apesar da reperfusão bem-sucedida. Os modelos prognósticos existentes frequentemente sofrem de limitações metodológicas, baixa generalizabilidade ou falta de interpretabilidade, dificultando sua adoção clínica. Há uma necessidade crítica de ferramentas que equilibrem precisão preditiva com usabilidade clínica e interpretabilidade biológica, particularmente aquelas que incorporem variáveis vasculares, neurológicas e metabólicas prontamente disponíveis, em vez de depender exclusivamente de biomarcadores de imagem complexos.

Metodologia
Este estudo retrospectivo analisou dados de 163 pacientes com AVCi tratados com TM no Hospital do Primeiro Povo de Zhaoqing entre janeiro de 2019 e dezembro de 2022. A coorte foi dividida aleatoriamente em um conjunto de treinamento (n=115) e um conjunto de validação (n=48) na proporção de 7:3.

• Coleta de Dados: Foram coletados dados demográficos de base, histórico clínico, parâmetros laboratoriais de admissão (incluindo marcadores metabólicos como glicemia de jejum e albumina) e dados de imagem (incluindo envolvimento vascular).
• Seleção de Características: A regressão Least Absolute Shrinkage and Selection Operator (LASSO) foi empregada para identificar potenciais preditores a partir de um amplo conjunto de variáveis.
• Desenvolvimento do Modelo: Um modelo de regressão logística multivariável foi construído utilizando um procedimento de retrocesso por etapas (baseado no Critério de Informação de Akaike) para identificar preditores independentes de desfechos funcionais ruins aos 90 dias (definidos como mRS ≥ 3).
• Validação e Comparação: O nomograma resultante foi avaliado quanto à discriminação (Área Sob a Curva [AUC]), calibração e utilidade clínica (via Análise da Curva de Decisão [DCA]). Para estabelecer um parâmetro de desempenho e validar a seleção de variáveis, o estudo desenvolveu um classificador de Máquina de Vetores de Suporte (SVM) utilizando os mesmos preditores.
• Interpretabilidade: As Explicações Aditivas de Shapley (SHAP) foram aplicadas ao modelo SVM para analisar as contribuições das características e confirmar a plausibilidade biológica das variáveis selecionadas.

Principais Contribuições
O estudo desenvolveu e validou um nomograma parcimonioso e interpretável que integra quatro preditores independentes para estratificar riscos de 90 dias pós-TM:

1. Envolvimento da Artéria Cerebral Anterior (ACA): Identificado como um fator protetor.
2. Pontuação NIHSS de Admissão: Uma medida da gravidade do déficit neurológico.
3. Glicemia de Jejum (GJ): Um indicador metabólico de hiperglicemia de estresse.
4. Albumina Sérica (ALB): Um marcador de estado nutricional e inflamação sistêmica.
   O modelo foi projetado para oferecer uma alternativa transparente aos modelos de aprendizado de máquina de "caixa preta", mantendo um desempenho preditivo comparável.

Resultados

• Preditores: A regressão logística multivariável confirmou que pontuações mais altas de NIHSS na admissão (OR=1,069), glicemia de jejum elevada (OR=1,333) e albumina sérica baixa (OR=0,845) estavam associadas ao aumento do risco de desfechos ruins. Inversamente, o envolvimento da ACA foi associado a uma redução do risco (OR=0,269).
• Discriminação: O nomograma demonstrou discriminação robusta no conjunto de treinamento (AUC=0,810) e manteve desempenho adequado no conjunto de validação (AUC=0,731).
• Comparação com Aprendizado de Máquina: O modelo SVM mostrou precisão preditiva comparável (Treinamento AUC=0,798; Validação AUC=0,720). No entanto, o nomograma baseado em regressão logística foi preferido para translação clínica devido à sua interpretabilidade inerente e estimativa visual de risco.
• Calibração e Utilidade: As curvas de calibração mostraram consistência excelente entre os riscos previstos e observados em ambas as coortes. A Análise da Curva de Decisão (DCA) indicou que o nomograma proporcionou um benefício líquido positivo em uma ampla gama de probabilidades de limiar (0–90% no treinamento; 0–20% na validação), superando as estratégias de tratar todos os pacientes ou nenhum.
• Análise SHAP: Os valores SHAP do modelo SVM confirmaram a direcionalidade e a magnitude das características selecionadas, alinhando-se aos resultados da regressão logística (ex: glicose e NIHSS elevados aumentaram o risco, enquanto a albumina elevada foi protetora).

Significância e Alegações
Os autores afirmam que este estudo apresenta uma ferramenta validada e interpretável que estratifica efetivamente o risco de 90 dias pós-TM ao sintetizar dimensões vasculares, neurológicas e metabólicas. A significância do trabalho reside em sua capacidade de equilibrar o desempenho preditivo com a transparência clínica, auxiliando potencialmente no manejo individualizado do paciente e na tomada de decisão compartilhada à beira do leito.

O artigo enfatiza que o modelo utiliza variáveis clínicas prontamente disponíveis, abordando a lacuna entre modelos de pesquisa complexos e a aplicação clínica prática. No entanto, os autores mantêm uma postura modesta quanto à generalizabilidade, observando que o estudo é de centro único com uma coorte de validação relativamente pequena. Eles declaram explicitamente que a validação externa é necessária para confirmar a aplicabilidade ampla do modelo e que pesquisas futuras devem focar em estudos prospectivos e multicêntricos para refinar ainda mais a ferramenta.