Non-exercise estimated cardiorespiratory fitness and progressive frailty trajectories: a longitudinal cohort study

Resumo Técnico: Aptidão Cardiorrespiratória Estimada Sem Exercício e Trajetórias Progressivas de Fragilidade

Definição do Problema
A fragilidade é uma síndrome geriátrica dinâmica caracterizada pela redução da reserva fisiológica e pelo aumento da vulnerabilidade a estressores, levando a desfechos adversos como incapacidade, hospitalização e morte. Embora o Índice de Fragilidade (IF) seja uma ferramenta robusta para avaliar a vulnerabilidade, pesquisas anteriores trataram amplamente a fragilidade como um estado estático, em vez de uma trajetória dinâmica de acumulação de déficits de saúde. Além disso, identificar indivíduos com alto risco de progressão acelerada da fragilidade continua sendo um desafio. Embora a Aptidão Cardiorrespiratória (ACR) seja um poderoso preditor de mortalidade e saúde, a medição direta requer testes de esforço, o que é frequentemente inviável em grandes levantamentos e em ambientes de cuidados primários. Consequentemente, há uma necessidade de indicadores escaláveis e não invasivos, como a Aptidão Cardiorrespiratória Estimada Sem Exercício (NEE-CRF), para prever a progressão longitudinal da fragilidade, particularmente entre indivíduos que atualmente não são frágeis.

Metodologia
Este estudo utilizou um delineamento de coorte longitudinal baseado em quatro ondas de dados (2011–2018) do China Health and Retirement Longitudinal Study (CHARLS).

• Participantes: A amostra analítica incluiu 4.497 adultos com 45 anos ou mais que não eram frágeis (IF < 0,25) no início do estudo e possuíam dados completos para o cálculo da NEE-CRF e medições válidas do IF em pelo menos três ondas de pesquisa.
• Exposição (NEE-CRF): A NEE-CRF basal foi calculada utilizando fórmulas de regressão específicas por sexo validadas, incorporando idade, IMC, circunferência da cintura, frequência cardíaca de repouso, nível de atividade física e status de tabagismo. Foi analisada tanto como uma variável contínua quanto em quartis.
• Desfecho (Trajetórias de Fragilidade): A fragilidade foi avaliada por meio de um Índice de Fragilidade (IF) de 32 itens. A modelagem de trajetórias baseada em grupos (GBTM) foi empregada para identificar padrões distintos de progressão da fragilidade ao longo do período de 7 anos.
• Análise Estatística:
  • Regressão: A regressão logística multivariável (não ajustada, ajustada por demografia e totalmente ajustada para estilo de vida e biomarcadores) foi utilizada para estimar a associação entre a NEE-CRF e a pertença à trajetória. O uso de splines cúbicos restritos (RCS) foi aplicado para avaliar as relações dose-resposta.
  • Aprendizado de Máquina (Machine Learning): Sete algoritmos (Árvore de Decisão, KNN, Random Forest, Elastic Net, Regressão Ridge, XGBoost, SVM) foram treinados para prever a classe de trajetória. A seleção de características foi realizada através do algoritmo Boruta.
  • Interpretabilidade: O melhor modelo de desempenho foi interpretado usando SHapley Additive exPlanations (SHAP) para quantificar a importância e a direcionalidade das características.
  • Validação: Análises de sensibilidade foram conduzidas relaxando os critérios de inclusão (exigindo apenas duas ondas válidas), e o desempenho do modelo foi avaliado usando AUC, curvas de calibração e análise de curva de decisão (DCA).

Principais Resultados

• Identificação de Trajetórias: A GBTM identificou duas trajetórias de fragilidade distintas: uma trajetória de "baixo risco" (84,7% dos participantes), caracterizada por níveis estáveis e baixos de déficits de saúde, e uma trajetória "progressiva" (15,3%), caracterizada pela rápida acumulação de déficits.
• Associação com NEE-CRF: Uma maior NEE-CRF basal foi significativamente associada a uma menor probabilidade de pertencer à trajetória progressiva.
  • No modelo totalmente ajustado, cada aumento de 1 unidade na NEE-CRF reduziu as chances de fragilidade progressiva em 27,6% (OR = 0,724, IC 95%: 0,680–0,770).
  • Participantes no quartil mais alto de NEE-CRF (Q4) apresentaram chances substancialmente menores de fragilidade progressiva em comparação ao quartil mais baixo (Q1) (OR = 0,243, IC 95%: 0,171–0,345).
  • A análise RCS indicou uma associação inversa aproximadamente linear, sem não linearidade significativa.
• Desempenho de Aprendizado de Máquina: A regressão Ridge alcançou a maior capacidade discriminativa (AUC = 0,711) entre os sete modelos. A análise SHAP identificou a NEE-CRF como o preditor mais influente, superando variáveis sociodemográficas e biomarcadores.
• Robustez: As análises de sensibilidade confirmaram a robustez dos achados, com tamanhos de efeito semelhantes observados ao incluir participantes com dados válidos em apenas duas ondas.

Significância e Alegações
Os autores afirmam que este estudo fornece evidências críticas de que a NEE-CRF é um fator protetor independente contra a progressão acelerada da fragilidade em adultos de meia-idade e idosos chineses, mesmo entre aqueles que são inicialmente não frágeis.

• Utilidade Clínica: O estudo postula que a NEE-CRF oferece uma estratégia viável e de baixo custo para a estratificação de risco precoce. Como depende de variáveis coletadas rotineiramente (antropometria, sinais vitais e atividade autorrelatada) em vez de testes de esforço, ela é particularmente adequada para serviços de saúde comunitária e ambientes de cuidados primários onde os recursos são limitados.
• Valor Preditivo: Ao integrar a NEE-CFR em estruturas de aprendizado de máquina interpretáveis, o estudo demonstra que indicadores relacionados à aptidão física podem contribuir significativamente para a avaliação algorítmica de risco, permitindo potencialmente estratégias de prevenção direcionadas (ex: programas de atividade física, gestão metabólica) para indivíduos de alto risco antes que a fragilidade se torne clinicamente aparente.
• Contribuição Metodológica: A pesquisa avança no campo ao ir além da classificação transversal da fragilidade para caracterizar trajetórias dinâmicas e ao combinar métodos epidemiológicos tradicionais com aprendizado de máquina interpretável para aumentar o valor translacional das métricas de aptidão física.

Os autores mantêm um tom modesto quanto à inferência causal, reconhecendo a natureza observacional do estudo e a necessidade de validação externa em coortes independentes antes da implementação clínica. Eles enfatizam que a NEE-CRF deve complementar, e não substituir, as avaliações geriátricas abrangentes.