Machine Learning Models for Predicting Active Bleeding in Patients Presenting to the Emergency Department with Upper Gastrointestinal Bleeding: A Retrospective Cross-Sectional Study

Resumo Técnico: Modelos de Aprendizado de Máquina para Predição de Sangramento Ativo em Hemorragia Digestiva Alta

Definição do Problema
A hemorragia gastrointestinal (GI) superior é uma apresentação frequente no departamento de emergência (DE) associada a morbidade e mortalidade significativas. Embora a endoscopia permaneça como o padrão diagnóstico e terapêutico, as ferramentas de estratificação de risco pré-endoscópicas, como o Escore de Glasgow–Blatchford (GBS), sofrem de baixa especificidade. Essa limitação leva a uma alta taxa de endoscopias negativas (procedimentos onde nenhum sangramento passível de ação é encontrado), resultando em utilização desnecessária de recursos e sobrecarga da força de trabalho. Os autores hipotetizaram que modelos de aprendizado de máquina (ML) supervisionados, treinados em dados de admissão rotineiramente disponíveis, poderiam alcançar uma especificidade maior que o GBS, mantendo um alto valor preditivo negativo (VPN), identificando assim pacientes que poderiam adiar com segurança a endoscopia urgente.

Metodologia

• Desenho do Estudo: Um estudo observacional, retrospectivo, transversal e analítico realizado em um hospital acadêmê de cuidados terciários em Istambul, Turquia, entre 1º de janeiro de 2015 e 1º de agosto de 2022.
• Coorte: De um grupo inicial de 1.120 candidatos, foram incluídos 1.009 pacientes com idade ≥18 anos com diagnóstico de trabalho de hemorragia digestiva alta que realizaram endoscopia e possuíam registros completos.
• Divisão de Dados: O conjunto de dados foi estratificado aleatoriamente em um conjunto de treinamento (666 pacientes, ~70%) e um conjunto de validação interna/teste (343 pacientes, ~30%).
• Variável Alvo: "Sangramento ativo" foi definido estritamente como classificação de Forrest Ia ou Ib confirmada endoscopicamente. Todos os outros achados (Forrest IIa–III ou ausência de lesão) foram classificados como "sem sangramento ativo".
• Características (Features): Os modelos utilizaram dados de admissão coletados rotineiramente, incluindo demografia, sinais vitais, achados de exame retal digital, comorbidades e parâmetros laboratoriais (hemoglobina, plaquetas, BUN, INR, pH, lactato, etc.).
• Algoritmos: Cinco classificadores de ML supervisionados foram treinados e comparados: Gaussian Naive Bayes (GNB), K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Random Forest e Regressão Logística.
• Avaliação: O desempenho foi avaliado no conjunto de teste reservado utilizando sensibilidade, especificidade, razões de verossimilhança positiva/negativa (PLR/NLR), valores preditivos positivos/negativos (VPP/VPN) e acurácia. A significância estatística foi determinada via testes de Qui-quadrado ou exato de Fisher.

Principais Resultados

• Prevalência: No conjunto de teste (n=343), 30 pacientes (8,7%) apresentaram sangramento ativo confirmado por endoscopia.
• Diferenças Clínicas: Pacientes com sangramento ativo apresentaram escores de Glasgow–Blatchford significativamente mais altos (13,07 vs. 12,19; p=0,039) e contagens de plaquetas significativamente menores (224,37 vs. 267,65 ×10³/µL; p=0,049) em comparação com aqueles sem sangramento ativo. Outros parâmetros, incluindo hemoglobina, sinais vitais e BUN, não mostraram diferença significativa entre os grupos.
• Desempenho dos Modelos:
  • Random Forest: Alcançou a maior sensibilidade (80,0%) e VPN (97,00%), com uma especificidade de 62,30%.
  • Regressão Logística: Demonstrou uma sensibilidade de 70,00% e um VPN de 95,86%.
  • SVM: Mostrou uma sensibilidade de 63,33% e um VPN de 95,14%.
  • GNB: Alcançou um VPN de 93,48% com 46,67% de sensibilidade.
  • KNN: Embora tenha alcançado a maior especificidade (99,36%) e acurácia (90,96%), falhou em detectar o sangramento ativo de forma eficaz, com uma sensibilidade de apenas 3,33%.
• Significância Estatística: Os modelos GNB, SVM, Random Forest e Regressão Logística mostraram uma associação estatisticamente significativa com o sangramento ativo (p < 0,05), enquanto o modelo KNN não mostrou (p = 0,241).

Significância e Alegações
O artigo afirma que modelos de ML supervisionados treinados em dados padrão de admissão no DE podem prever efetivamente a ausência de sangramento ativo com alta confiabilidade. Especificamente, os modelos Random Forest, Regressão Logística e SVM alcançaram VPNs ≥95%.

Os autores postulam que esses altos VPNs sugerem que ferramentas baseadas em ML poderiam complementar escores de risco existentes como o GBS. Ao identificar com precisão pacientes que têm baixa probabilidade de apresentar sangramento ativo, tais ferramentas poderiam ajudar a adiar com segurança a endoscopia urgente, reduzindo assim a carga de endoscopias negativas. Os autores enfatizam que esses modelos destinam-se a complementar, não a substituir, o julgamento clínico e os escores de risco atuais.

Limitações e Direções Futuras
Os autores reconhecem explicitamente várias limitações:

1. Natureza Retrospectiva de Centro Único: O estudo foi conduzido em uma única instituição, e o pequeno número de eventos de sangramento ativo no conjunto de teste (n=30) limita a robustez das estimativas de desempenho.
2. Lacunas de Dados: O conjunto de dados carecia de informações detalhadas sobre medicamentos crônicos (antiagregantes/anticoagulantes), uso de substâncias e tratamentos pré-DE.
3. Variabilidade do Operador: As decisões e a execução da endoscopia variaram entre múltiplos especialistas, introduzindo potencialmente um viés de aferição.
4. Falta de Calibração: Não foram realizadas análises formais de calibração do modelo e de benefício líquido.

Consequentemente, o artigo conclui que a validação prospectiva multicêntrica, a análise de calibração formal e a avaliação do impacto clínico e dos resultados de custos são pré-requisitos necessários antes de qualquer implementação clínica.