Development and Validation of a Nomogram-Based Clinical Prediction Model for Congestive Heart Failure in Patients with Parkinson's Disease

Resumo Técnico: Desenvolvimento e Validação de um Modelo de Predição Clínica Baseado em Nomograma para Insuficiência Cardíaca Congestiva em Pacientes com Doença de Parkinson

Definição do Problema
Pacientes com doença de Parkinson (DP) enfrentam um risco significativamente elevado de complicações cardiovasculares, particularmente insuficiência cardíaca congestiva (ICC). Apesar dos conhecidos efeitos sistêmicos da DP no sistema cardiovascular — incluindo disfunção autonômica cardíaca, hipertrofia ventricular esquerda e disfunção diastólica — faltam atualmente ferramentas de predição clínica validadas, especificamente desenhadas para identificar o risco de ICC na população com DP. A sobreposição de sintomas entre a DP e a ICC (ex: fadiga, redução da tolerância ao exercício) complica o diagnóstico e o manejo. Consequentemente, há uma necessidade urgente de ferramentas de identificação precoce para facilitar a intervenção oportuna e melhorar os desfechos clínicos para esta coorte de alto risco.

Metodologia
Este estudo retrospectivo utilizou dados do banco de dados MIMIC-IV (Medical Information Mart for Intensive Care), abrangendo pacientes admitidos no Beth Israel Deaconess Medical Center entre 2008 e 2019.

• População do Estudo: A análise final incluiu 293 pacientes diagnosticados com doença de Parkinson (identificados via código ICD-10 G20). Destes, 110 (37,5%) foram classificados com ICC (código ICD-10 I50.x), e 183 serviram como o grupo de controle sem ICC. Para pacientes com múltiplas admissões, apenas o primeiro registro elegível foi utilizado.
• Seleção de Variáveis: Foi empregada uma abordagem estatística de duas etapas para construir o modelo:
  1. Regressão LASSO: A regressão Least Absolute Shrinkage and Selection Operator (LASSO) com validação cruzada de 10 dobras foi utilizada para triar um amplo conjunto de variáveis clínicas rotineiramente disponíveis, reduzindo a dimensionalidade e abordando a multicolinearidade. Isso resultou em 16 variáveis candidatas.
  2. Regressão Logística de Passo Atrás (Backward Stepwise): As 16 candidatas foram refinadas através de regressão logística multivariável de passo atrás, guiada pelo Critério de Informação de Akaike (AIC), para determinar o conjunto final de preditores.
• Construção do Modelo: Um nomograma foi desenvolvido com base no modelo de regressão logística final para visualizar as probabilidades de risco individuais.
• Validação e Avaliação: A validação interna foi realizada por meio de reamostragem bootstrap. O desempenho do modelo foi avaliado via:
  • Discriminação: Área sob a curva característica de operação do receptor (AUC).
  • Calibração: Curvas de calibração comparando as probabilidades previstas vs. observadas.
  • Utilidade Clínica: Análise de Curva de Decisão (DCA).
  • Comparação Estatística: O teste de DeLong foi utilizado para comparar a AUC do modelo final contra versões simplificadas (ex: um modelo de 8 variáveis).

Principais Contribuições
O estudo desenvolveu e validou um modelo de predição clínica de 11 variáveis e um nomograma correspondente especificamente para o risco de ICC em pacientes com DP. O modelo integra variáveis clínicas rotineiramente disponíveis, evitando a necessidade de softwares especializados ou cálculos complexos.

O modelo final inclui os seguintes 11 preditores:

1. Idade
2. Creatinina Mínima
3. Frequência Respiratória Máxima
4. Frequência Cardíaca Mínima
5. CK-MB Máxima (Creatina Quinase-MB)
6. Bicarbonato Máximo
7. Glicose Sanguínea Mínima
8. Hemoglobina Máxima
9. INR Mínimo (Razão Internacional Normalizada)
10. PTT Mínimo (Tempo de Tromboplastina Parcial Ativada)
11. LDH Máximo (Lactato Desidrogenase)

Notavelmente, embora o INR Mínimo, o PTT Mínimo e o LDH Máximo não tenham atingido significância estatística ($P < 0,05$) individualmente, eles foram mantidos no modelo final porque sua inclusão melhorou o ajuste geral do modelo (reduziu o AIC) de acordo com o algoritmo de passo atrás. A Hemoglobina Máxima foi identificada como um fator protetor.

Resultados

• Desempenho: O modelo final de 11 variáveis alcançou uma AUC de 0,832, indicando boa capacidade discriminativa. O valor de corte ideal foi determinado como 0,366, com uma sensibilidade de 0,773 e especificidade de 0,760.
• Comparação: O modelo de 11 variáveis demonstrou um desempenho discriminativo significativamente melhor do que um modelo simplificado de 8 variáveis (derivado pela remoção de variáveis não significativas), com um resultado do teste de DeLong de $Z = 2,5305$ ($P = 0,01139$). Embora um modelo de 12 variáveis tenha apresentado uma AUC marginalmente superior (0,838), o modelo de 11 variáveis foi selecionado por seu equilíbrio ideal de desempenho e parcimônia (AIC = 305,492).
• Calibração e Utilidade: As curvas de calibração mostraram concordância satisfatória entre as probabilidades previstas e observadas. A Análise de Curva de Decisão (DCA) indicou que o modelo proporciona um benefício clínico líquido favorável em uma faixa de probabilidade de limiar de aproximadamente 0,05 a 0,45.
• Estabilidade: Diagnósticos de multicolinearidade confirmaram que todos os valores do Fator de Inflação da Variância (VIF) estavam abaixo de 2, sustentando a estabilidade da estrutura do modelo.

Significância e Alegações
Os autores afirmam que o nomograma desenvolvido oferece uma ferramenta prática e acessível para a identificação precoce e avaliação individualizada do risco de ICC em pacientes com doença de Parkinson. Ao utilizar variáveis clínicas rotineiramente disponíveis, o modelo aborda uma lacuna na prática clínica atual, onde faltam ferramentas de predição validadas para esta comorbidade específica.

O estudo enfatiza que o modelo demonstra boa discriminação, calibração e utilidade clínica, podendo auxiliar clínicos na estratificação de risco e na alocação racional de recursos médicos. No entanto, os autores mantêm uma postura modesta quanto à implementação imediata do modelo, declarando explicitamente que é necessária a validação externa usando coortes multicênticas maiores antes que o modelo possa ser recomendado para aplicação clínica mais ampla. Eles reconhecem limitações, incluindo o tamanho de amostra relativamente pequeno (293 pacientes), a natureza de centro único dos dados (MIMIC-IV) e o potencial de confusão residual inerente aos estudos observacionais retrospectivos.