Development and Transportability Assessment of a Parsimonious Machine Learning Model for Predicting In-Hospital Mortality in ICU Patients with Cirrhosis and Sepsis: A MIMIC-IV and Chinese Cohort Study

Resumo Técnico: Avaliação de Desenvolvimento e Transportabilidade de um Modelo de Aprendizado de Máquina Parcimonioso para Predição de Mortalidade Intra-hospitalar em Pacientes de UTI com Cirrose e Sepse

Definição do Problema
Pacientes com cirrose que desenvolvem sepse enfrentam um risco desproporcionalmente alto de mortalidade intra-hospitalar, com taxas de óbito aproximadamente quatro vezes maiores do que pacientes com sepse sem cirrose. Escores prognósticos convencionais, como o Sequential Organ Failure Assessment (SOFA) e o Acute Physiology and Chronic Health Evaluation (APACHE II), foram derivados de coortes gerais de UTI e frequentemente falham em capturar os complexos distúrbios hemodinâmicos, inflamatórios e metabólicos específicos desta população de "duplo insulto". Além disso, modelos de aprendizado de máquina (ML) existentes para este perfil demográfico foram amplamente desenvolvidos e testados em coortes isoladas, carecendo de uma avaliação robusta da transportabilidade de características entre populações geograficamente e clinicamente distintas. Há uma necessidade crítica de uma ferramenta interpretável e orientada por dados que utilize variáveis rotineiramente coletadas nas primeiras 24 horas de admissão na UTI para permitir a estratificação de risco precoce.

Metodologia
Este estudo de coorte retrospectivo utilizou uma abordagem de dois estágios envolvendo uma coorte de derivação do banco de dados MIMIC-IV (baseado nos EUA) e uma coorte de validação externa independente do Segundo Hospital Popular de Fuyang (China).

1. Fontes de Dados e População:

   • Coorte de Derivação: 2.519 pacientes com cirrose e sepse do MIMIC-IV (v3.1), divididos em um conjunto de treinamento (n=1.763) e um conjunto de validação interna (n=756).
   • Coorte Externa: 264 pacientes de um hospital terciário chinês.
   • Critérios de Inclusão: Permanência na UTI ≥24 horas, cirrose e sepse documentadas (via códigos CID-9/10) e dados completos para variáveis essenciais.
   • Desfecho: Mortalidade por todas as causas intra-hospitalar.
   • Preditores: Restritos a dados disponíveis nas primeiras 24 horas de admissão, incluindo demografia, comorbidades, intervenções (CRRT, ventilação mecânica), escores de gravidade (SOFA, APACHE II), sinais vitais e parâmetros laboratoriais iniciais.

2. Seleção de Características e Pré-processamento:

   • Variáveis com >20% de dados ausentes foram excluídas.
   • Dados ausentes (≤20%) no conjunto de treinamento foram tratados via imputação múltipla (pacote mice, m=5).
   • Variáveis contínuas foram submetidas a Winsorization nos percentis 1º e 99º para mitigar a influência de outliers.
   • Regressão LASSO: Aplicada a 36 variáveis candidatas para selecionar os preditores mais robustos, retendo 13 características com coeficientes não nulos: idade, CRRT, escore SOFA, escore APACHE II, frequência cardíaca, contagem de glóbulos brancos, INR, ALT, bilirrubina total, pO₂, lactato, glicose e ureia e nitrogênio sanguíneo (BUN).

3. Desenvolvimento do Modelo:

   • Sete algoritmos de ML foram treinados com as 13 características selecionadas: XGBoost, LightGBM, Random Forest (RF), Regressão Logística (LR), Support Vector Machine (SVM), K-Nearest Neighbors (KNN) e Árvore de Decisão (DT).
   • Hiperparâmetros foram otimizados via validação cruzada de cinco dobras (five-fold cross-validation) e busca em grade (grid search).
   • Interpretabilidade: O modelo ideal (XGBoost) foi decodificado usando valores SHAP (SHapley Additive exPlanations) para determinar a importância global das características e visualizar as relações dose-resposta.

4. Estratégia de Avaliação de Transportabilidade:

   • Reconhecendo a heterogeneidade significativa na linha de base entre as coortes dos EUA e da China (ex: idade, carga de comorbidades, escores de gravidade), os autores não aplicaram simplesmente o modelo de 13 variáveis congelado.
   • Em vez disso, identificaram as 5 principais características baseadas nos rankings de importância global do SHAP: bilirrubina total, INR, escore APACHE II, lactato e pO₂.
   • Um modelo XGBoost parcimonioso de 5 variáveis foi reconstruído e treinado especificamente na coorte externa chinesa para avaliar a transportabilidade desses sinais prognósticos centrais.

Resultados Principais

• Desempenho do Modelo (Validação Interna):

  • O modelo XGBoost demonstrou capacidade discriminativa superior em comparação com outros algoritmos, atingindo uma AUROC de 0,840 (IC 95% 0,811–0,868) no conjunto de validação interna.
  • Superou o RF (0,829), LightGBM (0,827) e LR (0,797).
  • As curvas de calibração mostraram excelente concordância entre a mortalidade prevista e observada, e a Análise de Curva de Decisão (DCA) confirmou um maior benefício clínico líquido em uma ampla faixa de probabilidade de limiar (0,1–0,6).

• Importância das Características (Análise SHAP):

  • Os 10 principais preditores que impulsionam o risco de mortalidade foram: bilirrubina total, INR, escore APACHE II, lactato, pO₂, idade, escore SOFA, ALT, BUN e frequência cardíaca.
  • Gráficos de dependência SHAP revelaram relações dose-resposta intuitivas: bilirrubina elevada, INR, lactato e escores APACHE II elevados foram positivamente associados ao aumento da mortalidade, enquanto níveis mais altos de pO₂ exerceram um efeito protetor.

• Transportabilidade (Validação Externa):

  • A coorte chinesa externa exibiu diferenças significativas em relação à coorte MIMIC-IV, incluindo idade mais jovem, menor prevalência de comorbidades (hipertensão, CAD, DPOC) e menores escores de gravidade basal.
  • O modelo parcimonioso de 5 variáveis (Bilirrubina Total, INR, APACHE II, Lactato, pO₂) alcançou uma AUROC de 0,857 (IC 95% 0,796–0,918) na coorte externa.
  • Este desempenho espelhou os resultados da validação interna e superou significativamente os escores SOFA e APACHE II isolados.
  • A calibração foi excelente no estrato de alto risco (>0,6 de probabilidade), embora tenha sido observada uma leve subestimação nos intervalos de risco baixo a intermediário.

Significância e Alegações
O artigo alega que um conjunto altamente focado de sinais fisiopatológicos é suficiente para a predição precoce de mortalidade em pacientes com cirrose e sepse. As principais contribuições são:

1. Desenvolvimento de um Modelo Interpretável: O estudo fornece um modelo XGBoost que alcança alta discriminação (AUROC ~0,84–0,86) utilizando apenas variáveis disponíveis nas primeiras 24 horas de admissão na UTI.
2. Demonstração de Transportabilidade entre Populações: Ao reconstruir um modelo parcimonioso utilizando as 5 principais características classificadas pelo SHAP, os autores demonstram que os sinais prognósticos centrais (marcadores de função hepática, status de coagulação, crise metabólica e oxigenação) permanecem preditores robustos através de distintas populações étnicas e clínicas (EUA vs. China).
3. Superioridade aos Escores Convencionais: O modelo de ML de 5 variáveis superou consistentemente os escores de gravidade tradicionais (SOFA, APACHE II) tanto nos ambientes internos quanto externos.
4. Utilidade Clínica: O modelo oferece uma ferramenta prática, pronta para o uso à beira do leito, para a estratificação de risco precoce, podendo informar intervenções terapêuticas sensíveis ao tempo para esta população de alto risco.

Os autores observam limitações, incluindo a natureza retrospectiva do estudo, o uso de um modelo reconstruído em vez de um algoritmo congelado para a validação externa e a origem de centro único da coorte externa. Eles concluem que, embora a ferramenta seja promissora, estudos prospectivos multicêntricos futuros e a integração em fluxos de trabalho de prontuários eletrônicos em tempo real são necessários para confirmar sua utilidade.