A Machine Learning-Based Model for Cardiovascular Disease Risk Stratification in Middle-Aged and Older Adults with Diabetes: A Cross-Sectional Study based on CHARLS

Resumo Técnico: Um Modelo Baseado em Aprendizado de Máquina para Estratificação de Risco de Doença Cardiovascular em Adultos de Meia-Idade e Idosos com Diabetes

Declaração do Problema
A doença cardiovascular (DCV) é a principal causa de mortalidade entre pacientes com diabetes mellitus (DM). Embora existam inúmeros modelos de predição de DCV, há uma carência crítica de ferramentas especificamente calibradas para adultos de meia-idade e idosos com diabetes. Os modelos estatísticos tradicionais (ex: riscos proporcionais de Cox, regressão linear) frequentemente dependem de pressupostos lineares rígidos e médias populacionais, falhando em capturar os padrões fisiopatológicos de alta dimensão, não lineares e heterogêneos de pacientes individuais. Além disso, as abordagens de aprendizado de máquina (ML) existentes frequentemente sofrem com a natureza de "caixa-preta", o que dificulta a confiança clínica, e muitas carecem de ferramentas dedicadas para este grupo demográfico específico de alto risco. Este estudo visa preencher essas lacunas desenvolvendo um modelo de avaliação de risco impulsionado por ML e interpretável, adaptado para pacientes diabéticos com 45 anos ou mais.

Metodologia

• Fonte de Dados: O estudo utilizou uma análise transversal da onda de 2020 do China Health and Retirement Longitudinal Study (CHARLS), uma coorte nacionalmente representativa.
• Coorte: De um grupo inicial de 19.395 participantes, o estudo selecionou 2.625 indivíduos diagnosticados com diabetes (idades entre 45 e 85 anos) após excluir aqueles sem DM, aqueles fora da faixa etária e aqueles com relatos extremos de duração do sono. O desfecho primário foi a DCV autorrelatada e diagnosticada por médico (incluindo infarto do miocárdio, doença coronariana, angina, insuficiência cardíaca ou acidente vascular cerebral).
• Seleção de Atributos (Features): Partindo de 171 variáveis, os autores aplicaram uma estratégia de seleção de atributos de método duplo no conjunto de treinamento para evitar o vazamento de dados (data leakage):
  1. Regressão LASSO: Reduziu as variáveis para 17 candidatas.
  2. Algoritmo Boruta: Um método wrapper baseado em Random Forest para identificar atributos relevantes.
  3. Interseção: O modelo final utilizou a interseção de ambos os métodos, resultando em 8 variáveis clínicas robustas: Idade, Saúde Autorrelatada (SRH), Atividades da Vida Diária (ADL), Hipertensão, Dislipidemia, Doença Renal, Hospitalização no último ano e Dor no Peito.
• Desenvolvimento do Modelo: Seis algoritmos de aprendizado de máquina foram treinados e comparados: Regressão Logística (LR), K-Vizinhos Mais Próximos (KNN), Máquina de Vetores de Suporte (SVM), Random Forest (RF), Light Gradient Boosting Machine (LightGBM) e eXtreme Gradient Boosting (XGBoost). Os hiperparâmetros foram otimizados via busca em grade (grid search) com validação cruzada de cinco dobras (five-fold cross-validation).
• Interpretabilidade e Implementação: O modelo ideal foi interpretado usando SHapley Additive exPlanations (SHAP) para fornecer importância global e local de atributos. O modelo final foi implementado como um sistema de suporte à decisão visual interativo e baseado na web utilizando o framework Streamlit.

Resultos Principais

• Desempenho do Modelo: Entre os seis algoritmos, o modelo Random Forest (RF) demonstrou o desempenho mais robusto no conjunto de teste independente.
  • AUC: 0,752 (95% IC: 0,716–0,786).
  • Sensibilidade: 72,53% (superior aos outros modelos, crucial para triagem precoce).
  • Especificidade: 61,64%.
  • Acurácia: 66,12%.
  • O modelo RF mostrou uma boa generalização com sobreajuste (overfitting) mínimo, mantendo uma AUC de 0,773 no conjunto de treinamento.
• Importância dos Atributos (Análise SHAP): A análise SHAP identificou a hierarquia dos fatores de risco que influenciam a predição de DCV:
  1. Hipertensão (maior impacto)
  2. Dislipidemia
  3. Saúde Autorrelatada (SRH)
  4. Idade
  5. Pontuação de ADL
  6. Doença Renal
  7. Hospitalização no ano anterior
  8. Dor no Peito
  • A análise confirmou que condições como hipertensão, dislipidemia e doença renal correlacionam-se positivamente com maior risco de DCV, enquanto uma melhor SRH e idade mais jovem correlacionam-se com menor risco.
• Ferramenta Clínica: O estudo traduziu com sucesso o modelo em uma aplicação web amigável ao usuário, onde clínicos podem inserir parâmetros do paciente para receber uma probabilidade de risco personalizada instantânea, acompanhada de um detalhamento visual dos fatores contribuintes (gráfico de força SHAP).

Significância e Alegações
Os autores afirmam que este estudo aborda uma lacuna de pesquisa específica ao fornecer uma ferramenta de estratificação de risco dedicada e explicável para pacientes diabéticos de meia-idade e idosos, um grupo frequentemente negligenciado pelos modelos gerais de DCV. As principais contribuições incluem:

1. Rigor Metodológico: O uso de uma abordagem de seleção de atributos dupla (LASSO + Boruta) em um conjunto de dados de alta qualidade e nacionalmente representativo (CHARLS) para garantir parcimônia e robustez do modelo.
2. Interpretabilidade: Ir além das predições de "caixa-preta" ao integrar a análise SHAP, que elucida o processo de decisão e se alinha ao conhecimento clínico estabelecido (ex: a forte ligação entre hipertensão/dislipidemia e DCV).
3. Utilidade Clínica: O desenvolvimento de uma ferramenta de triagem rápida e de custo zero que depende de dados não invasivos e facilmente acessíveis (histórico autorrelatado, pontuações de ADL), em vez de biomarcadores laboratoriais complexos. Isso torna a ferramenta particularmente adequada para ambientes de atenção primária e comunitários com recursos limitados.
4. Cuidado Personalizado: O sistema facilita intervenções de precisão ao gerar perfis de risco individualizados, potencialmente auxiliando na triagem precoce e motivando os pacientes para a intervenção precoce.

Os autores reconhecem limitações, observando que o desenho transversal impede a inferência causal e que a generalização do modelo para populações não leste-asiáticas requer validação adicional. Além disso, a dependência de dados autorrelatados introduz potencial viés subjetivo. No entanto, o estudo conclui que o sistema proposto baseado em RF oferece uma abordagem prática e acessível para melhorar o manejo do risco cardiovascular na população diabética.