Development and External Validation of a Machine Learning Model for Postoperative Infection After Cardiopulmonary Bypass Surgery

Resumo Técnico: Desenvolvimento e Validação Externa de um Modelo de Aprendizado de Máquina para Infecção Pós-Operatória Após Cirurgia de Circulação Extracorpórea

Definição do Problema
A infecção pós-operatória após cirurgia de circulação extracorpórea (CEC) é uma complicação frequente e grave, associada à ventilação mecânica prolongada, estadias hospitalares estendidas, aumento de custos e maior mortalidade. Embora as ferramentas tradicionais de avaliação de risco e biomarcadores isolados (ex: proteína C-reativa, neutrófilos) tenham demonstrado precisão preditiva limitada, há uma necessidade reconhecida de modelos de predição robustos e multidimensionais. Os estudos de aprendizado de máquina (ML) existentes neste domínio frequentemente sofrem com altos riscos de viés, relatórios inadequados e uma falta crítica de validação externa, o que limita sua generalização e utilidade clínica. Este estudo aborda essa lacuna desenvolvendo um modelo de ML interpretável para prever infecções pós-operatórias dentro de 30 dias após a cirurgia de CEC e validando-o rigorosamente em uma coorte externa independente.

Metodologia
O estudo empregou uma abordagem de duas etapas envolvendo o desenvolvimento do modelo e a validação externa:

1. Fontes de Dados:
   • Desenvolvimento e Validação Interna: Os dados foram extraídos do banco de dados MIMIC-IV (Beth Israel Deaconess Medical Center, 2008–2019). A coorte incluiu 2.166 pacientes adultos submetidos à cirurgia de CEC. O conjunto de dados foi dividido em 70/30 para treinamento e teste interno.
   • Validação Externa: Uma coorte prospectiva de 96 pacientes foi recrutada no Hospital Afiliado da Universidade de Qingdao (China) entre outubro de 2025 e fevereiro de 2026.
2. Extração de Variáveis:
   • Os dados foram coletados nas primeiras 48 horas pós-cirurgia.
   • As características incluíram demografia, tipo de admissão, histórico cirúrgico, comorbidades, sinais vitais (temperatura, frequência cardíaca, frequência respiratória, pressão arterial, saturação de oxigênio) e valores laboratoriais (contagem de neutrófilos, creatinina, albumina, função hepática/renal, eletrólitos).
   • Para variáveis com dados ausentes na coorte MIMIC (<30% de ausência), aplicou-se a imputação múltipla usando o pacote missForest. A coorte externa não apresentou dados ausentes.
   • O desfecho foi definido como qualquer infecção pós-operatória (sepse, pneumonia, infecção do sítio cirúrgico ou infecção de corrente sanguínea relacionada a cateter) ocorrendo em até 30 dias, baseando-se em critérios clínicos e culturas microbianas.
3. Seleção de Características:
   • A triagem inicial foi realizada por meio de regressão LASSO com validação cruzada de 10 dobras (10-fold cross-validation).
   • Uma filtragem adicional foi conduzida utilizando o algoritmo Boruta.
   • Oito características finais foram selecionadas: tipo de admissão, contagem de neutrófilos, creatinina, frequência respiratória, frequência cardíaca, temperatura corporal, saturação de oxigênio e albumina.
4. Desenvolvimento do Modelo:
   • Cinco algoritmos foram treinados e ajustados usando busca em grade (grid search) e validação cruzada: Regressão Logística (LR), XGBoost, Gradient Boosting Machine (GBM), Support Vector Machine (SVM) e Rede Neural.
   • O desempenho foi avaliado utilizando a Área Sob a Curva ROC (AUC), sensibilidade, especificidade, acurácia, pontuação F1, curvas de calibração e Análise de Curva de Decisão (DCA).
   • A interpretabilidade foi alcançada através de Explicações de Aditividade de Shapley (SHAP).

Principais Resultados

• Características da Coorte: Na coorte de desenvolvimento MIMIC (N=2.166), 12,4% (268 pacientes) desenvolveram infecções pós-operatórias. Na coorte de validação externa (N=96), a taxa de infecção foi de 19,8% (19 pacientes).
• Desempenho do Modelo:
  • Superioridade do GBM: O modelo Gradient Boosting Machine (GBM) demonstrou o melhor desempenho geral.
  • Discriminação: O modelo GBM alcançou uma AUC de 0,861 (IC 95%: 0,831–0,890) na coorte de desenvolvimento, 0,791 (IC 95%: 0,737–0,844) na coorte de validação interna e 0,742 (IC 95%: 0,619–0,866) na coorte de validação externa.
  • Outras Métricas: Na validação externa, o modelo GBM apresentou uma sensibilidade de 0,789 e especificidade de 0,636.
• Interpretabilidade (Análise SHAP):
  • Principais Preditores: Temperatura corporal e creatinina foram identificados como os contribuintes mais significativos para as predições do modelo.
  • Fatores de Risco: Valores mais altos de temperatura, frequência cardíaca, frequência respiratória e creatinina foram associados ao aumento do risco de infecção. A admissão de emergência também aumentou significativamente o risco.
  • Fatores Protetores: Valores mais altos de saturação mínima de oxigênio e níveis mais altos de albumina mínima foram associados a um menor risco.
  • Relações Não Lineares: As contagens de neutrófilos mostraram uma relação não linear; tanto valores excessivamente baixos quanto altos aumentaram o risco, enquanto níveis moderados foram associados a um menor risco.
• Utilidade Clínica: Uma análise de curva de decisão indicou um benefício clínico líquido para o modelo GBM em uma gama de probabilidades de limiar. Um aplicativo baseado na web foi desenvolvido para facilitar o uso clínico do modelo.

Significância e Alegações
Os autores afirmam que este estudo fornece uma ferramenta robusta e validada externamente para a avaliação precoce do risco de infecção pós-operatória em pacientes de CEC. As principais contribuições destacadas incluem:

1. Validação Externa: Diferente de muitos estudos anteriores, este modelo foi validado em uma coorte externa prospectiva independente, abordando uma limitação comum na pesquisa de ML referente à generalização entre diferentes centros médicos.
2. Interpretabilidade: Ao utilizar a análise SHAP, o estudo vai além das predições de "caixa preta", oferecendo aos clínicos insights sobre os drivers fisiológicos específicos (ex: temperatura, função renal, marcadores inflamatórios) que contribuem para os escores de risco individuais.
3. Abordagem Multidimensional: O modelo integra diversas variáveis clínicas (sinais vitais, exames laboratoriais, status de admissão) em vez de depender de biomarcadores isolados, capturando a complexa interação entre inflamação, hemodinâmica e disfunção orgânica.
4. Prontidão Clínica: O modelo utiliza dados pós-operatórios rotineiros e precoces disponíveis dentro de 48 horas, tornando-o viável para aplicação clínica imediata para guiar intervenção precoce e alocação de recursos.

O artigo mantém um tom modesto, reconhecendo limitações como o tamanho relativamente pequeno da coorte de validação externa, potenciais vieses nas definições de desfecho entre os centros e a exclusão de mudanças dinâmicas no estado do paciente além das primeiras 48 horas. Os autores concluem que, embora o modelo GBM seja promissor, estudos prospectivos multicêntricos de grande escala são necessários para estabelecer plenamente sua utilidade clínica.