Endothelial Activation and Stress Index as a Prognostic Marker and Machine Learning Predictor of Mortality in Mechanically Ventilated ICU Patients: A Multicenter Retrospective Cohort Study

Resumo Técnico: Ativação Endotelial e Índice de Estresse como Marcador Prognóstico e Preditor de Aprendizado de Máquina em Pacientes de UTI em Ventilação Mecânica

Declaração do Problema
A ventilação mecânica (VM) é uma intervenção crítica para a insufência respiratória aguda, contudo, as taxas de mortalidade entre pacientes de unidade de terapia intensiva (UTI) em ventilação mecânica permanecem substanciais (25–45%). Embora a disfunção endotelial seja um mecanismo fisiopatológico reconhecido que vincula a inflamação sistêmica à falência de múltiplos órgãos, a avaliação clínica rotineira do status endotelial é limitada devido ao custo e à indisponibilidade de biomarcadores específicos (ex: angiopoietina-2). O Índice de Ativação e Estresse Endotelial (EASIX), calculado a partir de valores laboratoriais de rotina (lactato desidrogenase, creatinina sérica e contagem de plaquetas), demonstrou valor prognóstico em populações hematológicas e cardiológicas, mas carece de avaliação sistemática em coortes de ventilação mecânica. Além disso, estudos prognósticos existentes frequentemente dependem de modelos de regressão tradicionais que podem falhar em capturar interações complexas e não lineares entre preditores, e muitos estudos de aprendizado de máquina (ML) carecem de validação externa e transparência do modelo.

Metodologia
Este estudo empregou um delineamento de coorte retrospectiva multicêntrica utilizando dois bancos de dados publicamente disponíveis:

1. Coorte Primária: MIMIC-IV (versão 3.1), contendo dados de 5.300 pacientes adultos em ventilação mecânica admitidos na UTI pela primeira vez entre 2008 e 2019.
2. Coorte de Validação Externa: eICU Collaborative Research Database (versão 2.0), contendo 243 pacientes de mais de 200 hospitais dos EUA (2014–2015).

Inclusão/Exclusão: Os pacientes foram incluídos se tivessem ≥18 anos, recebessem VM invasiva por ≥24 horas, tivessem permanência na UTI ≥2 dias e possuíssem dados completos para LDH, plaquetas e creatinina.

Construção de Variáveis:

• Exposição: O EASIX foi calculado como $[LDH \times Creatinina] / Plaquetas$. Devido à assimetria à direita, o valor transformado em log2 (Log2EASIX) foi utilizado para todas as análises.
• Desfechos: O desfecho primário foi a mortalidade por todas as causas em 28 dias; o secundário foi a mortalidade por todas as causas em 90 dias.
• Covariáveis: Um conjunto abrangente incluindo demografia, sinais vitais, parâmetros laboratoriais, escores de gravidade da doença (SOFA, SAPS II, APS III) e comorbidades.

Abordagem Estatística e de Aprendizado de Máquina (ML):

• Análise de Regressão: A regressão de riscos proporcionais de Cox com splines cúbicos restritos (RCS) avaliou a relação dose-resposta entre o Log2EASIX e a mortalidade através de quatro modelos ajustados sequencialmente.
• Seleção de Características: Um conjunto de características de consenso foi derivado usando Boruta (envelope ensemble) e regressão LASSO (função de perda de Cox) no conjunto de treinamento (70% do MIMIC-IV).
• Treinamento de Modelo: Quinze classificadores de ML foram treinados no conjunto de características de consenso (19 variáveis). A seleção do modelo baseou-se no benchmark de AUC-ROC com validação cruzada para penalizar o sobreajuste (overfitting).
• Interpretabilidade e Utilidade: O modelo ideal foi interpretado usando SHapley Additive Explanations (SHAP) para importância de características e efeitos direcionais. A Análise de Curva de Decisão (DCA) avaliou o benefício clínico líquido contra as estratégias "tratar todos" e "não tratar ninguém".

Resultos Principais

• Associação Independente: No modelo totalmente ajustado, cada incremento de uma unidade no Log2EASIX foi associado a um risco 25% maior de mortalidade em 28 dias (HR 1,25, IC 95% 1,19–1,32) e um risco 21% maior de mortalidade em 90 dias (HR 1,21, IC 95% 1,16–1,27).
• Dose-Resposta: A análise de RCS revelou uma relação predominantemente log-linear entre o Log2EASIX e o risco de mortalidade, sem evidência de efeito de limiar ou platô.
• Análise de Subgrupo: A associação foi consistente na maioria dos subgrupos. Após a correção de Bonferroni, modificações de efeito estatisticamente robustas para a mortalidade de 90 dias foram identificadas apenas para o escore de GCS, Índice de Comorbidade de Charlson e status de câncer maligno.
• Desempenho de Aprendizado de Máquina (ML):
  • Modelo Ótimo: O CatBoost alcançou o maior desempenho discriminativo com uma AUC de validação cruzada de 0,758.
  • Validação Externa: O modelo manteve o desempenho na coorte independente do eICU (AUC 0,745).
  • Importância das Características: A análise SHAP classificou o Log2EASIX como o terceiro preditor mais importante (média |SHAP| = 0,0497), seguido pelo escore APS III e idade.
  • Utilidade Clínica: A DCA confirmou que o modelo CatBoost proporcionou um benefício clínico líquido sobre as estratégias padrão em uma ampla gama de probabilidades de limiar em ambas as validações interna e externa.

Principais Contribuições

1. Validação Prognóstica: Este estudo estabelece o Log2EASIX como um preditor independente de mortalidade de curto e médio prazo em pacientes de UTI em ventilação mecânica, estendendo sua aplicabilidade além dos contextos hematológico e cardiológico.
2. Gradiente de Risco Contínuo: A pesquisa demonstra que a relação entre o EASIX e a mortalidade é log-linear, apoiando o uso do EASIX como um gradiente de risco contínuo em vez de um corte binário.
3. Estrutura de ML com Transparência: O estudo desenvolve um modelo de ML externamente validado onde o EASIX é uma característica de alto nível, utilizando SHAP para garantir a interpretabilidade do modelo e DCA para validar a utilidade clínica, abordando limitações comuns em estudos de ML de cuidados críticos.
4. Praticidade: O índice depende exclusivamente de três valores laboratoriais rotineiramente disponíveis, oferecendo uma ferramenta de baixo custo para estratificação de risco à beira do leito.

Significância e Alegações
Os autores alegam que o Log2EASIX fornece informações prognósticas significativas que não são totalmente subsumidas pelos escores de gravidade de doença estabelecidos (SOFA, SAPS II, APS III). Ao integrar o EASIX em uma estrutura de aprendizado de máquina, o estudo apoia seu potencial como uma ferramenta prática de beira de leito para a estratificação de risco precoce em populações de alta mortalidade. Os achados sugerem que o estresse endotelial, capturado por este índice composto simples, é um determinante crítico dos desfechos em pacientes em ventilação mecânica. O estudo conclui que estes resultados justificam novas investigações prospectivas para confirmar a utilidade do EASIX na orientação da tomada de decisão clínica, como o monitoramento da intensidade e discussões sobre metas de cuidados.