From Multicohort Comparison to Predictive Modeling: A Tool for Evaluating Mortality Risk Based on the Optimal Smoking Exposure Indicator in High-Risk Cardiovascular Disease Populations

Resumo Técnico: Da Comparação Multicohorte à Modelagem Preditiva para o Risco de Mortalidade em Populações de Alto Risco de DCV

Definição do Problema
Quantificar com precisão a exposição ao tabaco é crítico para a gestão de risco em populações de alto risco de doenças cardiovasculares (DCV), onde o tabagismo atua sinergicamente com condições como hipertensão e dislipidemia para amplificar o risco de mortalidade. No entanto, a pesquisa epidemiológica carece de consenso sobre o indicador ideal para quantificar essa exposição. As métricas comuns incluem medidas simples (estado de tabagismo, duração, idade de início) e medidas compostas (anos-maço, Índice de Tabagismo Abrangente [CSI]). Embora os indicadores compostos ofereçam, teoricamente, dados mais ricos, eles frequentemente dependem da memória precisa de históricos de tabagismo de décadas, introduzindo potencial viés de memória. Por outro outro lado, indicadores simples podem sofrer de menor densidade de informação. Nenhum estudo dedicado comparou sistematicamente esses indicadores especificamente dentro de populações de alto risco de DCV para identificar o preditor mais robusto de mortalidade ou para desenvolver um modelo preditivo correspondente.

Metodologia
Este estudo empregou um delineamento multicohorte utilizando dados de quatro bases de dados internacionais:

1. CHARLS (China Health and Retirement Longitudinal Study)
2. HRS (Health and Retirement Study, EUA)
3. NHANES (National Health and Nutrition Examination Survey, EUA)
4. PEACE-FZ (Um subestudo do programa PEACE-MPP em Fuzhou, China)

População: A amostra analítica final incluiu 19.239 participantes (idade ≥45) que atendiam aos critérios de alto risco de DCV (hipertensão não controlada, dislipidemia ou DCV estabelecida).

Indicadores de Exposição: Cinco indicadores de tabagismo foram gerados:

• Estado de tabagismo (Nunca fumou, Ex-fumante, Fumante atual)
• Anos de tabagismo
• Tabagismo precoce (idade de início <14 vs. ≥14)
• Anos-maço
• Índice de Tabagismo Abrangente (CSI): Uma métrica composta que incorpora idade de início, duração, duração do abandono e intensidade, ajustada por parâmetros de meia-vida biológica e tempo de latência.

Abordagem Analítica:

1. Análise de Associação: Modelos de riscos proporcionais de Cox multivariáveis foram usados para avaliar a associação entre cada indicador e a mortalidade por todas as causas, ajustados para covariáveis (demografia, IMC, índice de fragilidade, etc.). Os resultados foram agrupados via meta-análise de efeitos aleatórios.
2. Testes de Robustez: Foram realizadas análises de sensibilidade (leave-one-out, exclusão de dados ausentes, exclusão de curto período de acompanhamento e exclusão de DCV basal) e avaliações de heterogeneidade ($I^2$).
3. Dose-Resposta: Modelos de spline cúbico restrito (RCS) avaliaram a não linearidade.
4. Riscos Competitivos: Modelos de Fine-Gray e modelos de Cox de causa específica analisaram associações com mortalidade por DCV, câncer e doenças respiratórias.
5. Modelagem Preditiva: Seis modelos (Cox, LASSO, Ridge, Random Survival Forest, CoxBoost, XGBoost) foram treinados em uma divisão de 70% dos dados de CHARLS, NHANES e PEACE-FZ, com o HRS servindo como um conjunto de validação externa independente. Os modelos foram avaliados usando AUC, curvas de calibração, Melhoria na Reclassificação Líquida (NRI), Melhoria na Discriminação Integrada (IDI) e Análise de Curva de Decisão (DCA).
6. Análise Longitudinal: Mudanças na exposição ao tabagismo e nos escores de risco entre as ondas de linha de base e acompanhamento foram analisadas para avaliar o risco dinâmico.

Principais Resultados

• Identificação do Indicador Ótimo: Entre os cinco indicadores, o Índice de Tabagismo Abrangente (CSI) demonstrou a associação mais consistente e robusta com a mortalidade por todas as causas em todas as quatro coortes. Apresentou a menor heterogeneidade na meta-análise ($I^2 = 45,8\%$) e manteve significância estatística em todas as análises de sensibilidade, enquanto outros indicadores (ex: anos-maço, estado de tabagismo) mostraram instabilidade ou perda de significância em cenários de exclusão específicos.
• Relação Dose-Resposta: Observou-se uma relação dose-resposta monotônica e significativa entre o CSI e o risco de mortalidade. Não foram encontradas evidências de não linearidade.
• Riscos Competitivos: Na análise de riscos competitivos, o CSI foi significamente associado à mortalidade por câncer e doenças respiratórias, mas não à mortalidade por DCV (provavelmente devido a riscos competitivos de outras causas nesta população multimórbida). No entanto, a análise de Cox de causa específica confirmou um elo etiológico entre o CSI e a morte por DCV.
• Desempenho do Modelo: A adição do CSI aos modelos de base melhorou significativamente o desempenho preditivo (NRI e IDI) em todos os algoritmos.
  • Embora os modelos de aprendizado de máquina (RSF, XGBoost) tenham tido bom desempenho no treinamento, o modelo de Cox demonstrou discriminação comparável no conjunto de validação externa (AUC de 3 anos: 0,761; AUC de 5 anos: 0,784; AUC de 10 anos: 0,823).
  • O modelo de Cox exibiu excelente calibração e benefício clínico líquido em diversas faixas de limiar.
• Dinâmica Longitudinal: Na coorte CHARLS, um aumento no CSI foi associado a um aumento de 35,6% no risco de mortalidade. As mudanças no escore de risco derivado do modelo foram mais sensíveis às flutuações do risco de mortalidade do que as mudanças no CSI isoladamente na coorte HRS.

Significância e Alegações
Os autores afirmam que este estudo fornece uma base científica para a seleção do método ideal para medir a exposição ao tabaco em populações de alto risco de DCV. As principais contribuições são:

1. Resolução Metodológica: O estudo identifica o CSI como o indicador superior para prever a mortalidade por todas as causas nesta população específica, argumentando que sua incorporação da meia-vida biológica e do decaimento dinâmico reflete melhor a verdadeira carga biológica das toxinas do tabaco em comparação com medidas estáticas como anos-maço.
2. Desenvolvimento de Ferramenta Clínica: O estudo constrói e valida um modelo de predição de mortalidade baseado em Cox que equilibra alta precisão preditiva com interpretabilidade clínica. Os autores sustentam que o modelo de Cox é preferível aos algoritmos complexos de aprendizado de máquina neste contexto devido à sua transparência, estimativa robusta de parâmetros e facilidade de translação clínica.
3. Aplicação Prática: Para facilitar a tomada de decisão à beira do leito, os autores desenvolveram um nomograma interativo baseado na web (usando o pacote "DynNom") que permite aos clínicos inserir variáveis do paciente para visualizar probabilidades de mortalidade individualizadas de 3, 5 e 10 anos em tempo real.

O artigo conclui que o modelo de Cox baseado no CSI oferece uma ferramenta cientificamente fundamentada e clinicamente viável para a avaliação de risco individualizada e para a formulação de intervenções direcionadas de controle do tabaco para populações de alto risco de DCV.