Interpretable Machine Learning for Preoperative Survival Prediction in Resected Brain Metastases: A Real-World Cohort Study with SHAP-Based Feature Attribution

Resumo Técnico: Aprendizado de Máquina Interpretável para Predição de Sobrevivência Pré-operatória em Metástases Cerebrais Ressecadas

Definição do Problema
As metástases cerebrais (MCs) representam os tumores intracranianos mais comuns em adultos, com o prognóstico pós-operatório permanecendo altamente heterogêneo, apesar dos avanços terapêuticos. As ferramentas prognósticas convencionais, como a Avaliação Prognóstica Graduada (GPA) e sua extensão molecular (molGPA), baseiam-se em um conjunto limitado de variáveis (ex: idade, status de desempenho, doença extracraniana) e frequentemente falham em fornecer previsões individualizadas precisas em coortes do mundo real. Além disso, essas ferramentas frequentemente excluem fatores rotineiramente disponíveis com potencial valor prognóstico, incluindo características radiológicas específicas (hemorragia, hidrocefalia), marcadores inflamatórios sistêmicos (relação neutrófilo-linfócito, NLR) e indicadores histopatológicos (Ki-67, TTF-1). O estudo aborda a necessidade de uma abordagem preditiva multimodal mais matizada que integre diversos dados clínicos, radiológicos e moleculares para melhorar a estimativa de sobrevivência após a ressecção cirúrgica.

Metodologia
Os autores conduziram uma análise retrospectiva de uma coorte do mundo real composta por 384 pacientes consecutivos submetidos à ressecção cirúrgica primária de MCs em um centro de cuidados terciários único entre 2010 e 2020.

• Coleta de Dados: O estudo utilizou 22 variáveis pré-operatórias disponíveis no momento da decisão cirúrgica. Estas incluíram:
  • Demografia/Clínica: Idade, sexo, Karnofsky Performance Status (KPS), metástases extracranianas, status de ressecção do tumor primário e escore GPA.
  • Radiológica: Volume tumoral (segmentado via ferramentas 3D semiautomáticas), multiplicidade de lesões, localização, presença de hemorragia, hidrocefalia e doença leptomeníngea (LMD).
  • Laboratorial: Relação neutrófilo-linfócito (NLR) medida em até 7 dias pré-operatórios.
  • Histopatológica/Molecular: Índice de proliferação Ki-67 (dicotomizado em 30%), expressão de TTF-1, status de EGFR/ALK e subtipo histológico.
• Definição de Desfecho: A sobrevida global (OS) foi dicotomizada em duas tarefas de classificação binária: sobrevida além de 6 meses e sobrevida além de 12 meses pós-ressecção.
• Pipeline de Aprendizado de Máquina: Quatro classificadores supervisionados foram treinados usando validação cruzada estratificada de 5 dobras com class_weight='balanced' para lidar com o desequilíbrio de classes:
  1. Regressão Logística (regularização L2, variáveis padronizadas)
  2. Random Forest (500 estimadores)
  3. XGBoost (300 estimadores, taxa de aprendizado de 0.1)
  4. Support Vector Machine (SVM, kernel RBF)
• Métricas de Avaliação: O desempenho foi avaliado usando a Área Sob a Curva ROC (AUC-ROC), sensibilidade, especificidade, acurácia, F1-score e o escore de Brier (para calibração).
• Interpretabilidade: A importância das variáveis foi derivada de escores de impureza de Random Forest. A análise SHAP (SHapley Additive exPlanations) foi aplicada aos melhores modelos para fornecer atribuição direcional de variáveis e visualizar o impacto de variáveis específicas nas predições.

Principais Resultados

• Desempenho do Modelo:
  • Sobrevida de 6 Meses: O modelo Random Forest alcançou o maior desempenho discriminativo com uma AUC de 0,725 e um escore de Brier de 0,192. O XGBoost e o SVM seguiram de perto. A Regressão Logística proporcionou o equilíbrio mais equilibrado entre sensibilidade/especificidade (65,9% / 63,6%).
  • Sobrevida de 12 Meses: A Regressão Logística teve o melhor desempenho com uma AUC de 0,684 e um escore de Brier de 0,230, seguida de perto pelo Random Forest (AUC 0,680). Todos os modelos demonstraram capacidade discriminativa moderada, mas clinicamente relevante neste ponto temporal.
• Importância das Variáveis e Análise SHAP:
  • Principais Preditores: Em ambos os pontos temporais, NLR, idade e volume tumoral foram os preditores mais consistentes, respondendo coletivamente por aproximadamente 39–41% da importância total das variáveis no modelo Random Forest.
  • Mudança Temporal: A análise SHAP revelou uma mudança nos preditores dominantes ao longo do tempo. O NLR foi o preditor mais influente para a sobrevida de 6 meses (importância ≈ 0,135), refletindo o papel da inflamação sistêmica na mortalidade de médio prazo. O volume tumoral aumentou em importância relativa, tornando-se o preditor dominante para a sobrevida de 12 meses (importância ≈ 0,143), destacando o papel da carga tumoral nos desfechos de longo prazo.
  • Direcionalidade: Altos níveis de NLR e volumes tumorais maiores consistentemente deslocaram as predições para a não-sobrevivência.
  • Scores Convencionais: O escore GPA, KPS e metástases extracranianas ocuparam as posições 4ª–7ª aos 12 meses, validando sua relevância enquanto demonstram que parâmetros laboratoriais e radiológicos fornecem informações preditivas aditivas.

Principais Contribuições

1. Integração Multimodal: O estudo demonstra que a integração de variáveis rotineiramente disponíveis — incluindo características radiológicas (hemorragia, volume) e marcadores laboratoriais (NLR) — em modelos de ML produz melhorias modestas, mas consistentes, na predição de sobrevida em comparação com sistemas de pontuação estabelecidos como o GPA.
2. Dinâmica Temporal de Preditores: A pesquisa identifica uma mudança temporal distinta nos drivers prognósticos, onde a inflamação sistêmica (NLR) domina o risco pós-operatório precoce (6 meses), enquanto a carga tumoral (volume) torna-se o determinante principal da sobrevida a longo prazo (12 meses).
3. Interpretabilidade: Ao empregar a análise SHAP, o estudo fornece explicações transparentes e direcionais para as predições do modelo, confirmando a plausibilidade biológica dos achados (ex: o impacto negativo de alto NLR e grande volume tumoral) e facilitando a aceitação clínica.
4. Aplicabilidade no Mundo Real: Os modelos baseiam-se exclusivamente em dados pré-operatórios disponíveis no momento da decisão cirúrgica, evitando a necessidade de dados pós-operatórios complexos ou características radiômicas avançadas, apoiando assim a utilidade clínica imediata no aconselhamento pré-operatório.

Significância e Alegações
Os autores alegam que seu estudo fornece um benchmark interpretável e validado internamente para a predição de sobrevida baseada em ML na neurocirurgia oncológica. Eles afirmam que algoritmos de ML, particularmente métodos de gradient boosting, podem melhorar modestamente o prognóstico além dos escores estabelecidos ao capturar interações não lineares e integrar variáveis subutilizadas.

O artigo enfatiza que, embora as melhorias de desempenho sejam modestas (AUCs variando de 0,684 a 0,725), os modelos alcançam uma discriminação clinicamente significativa. Os autores declaram explicitamente que esses achados apoiam a viabilidade de tais modelos para refinar a avaliação de risco e guiar o planejamento de tratamento individualizado. No entanto, mantêm um tom modesto quanto à implementação clínica, observando que o estudo é retrospectivo e de centro único. Eles concluem que validações prospectivas e multi-institucionais são estritamente necessárias antes que esses modelos possam ser integrados aos fluxos de trabalho clínicos, e reconhecem que os modelos atuais servem como auxiliares de estratificação de risco pré-operatório, e não como ferramentas abrangentes para toda a trajetória da doença.