Exploratory machine learning analysis of factors associated with positive circumferential resection margins following transanal total mesorectal excision: a multicenter registry study

Resumo Técnico: Análise Exploratória de Aprendizado de Máquina de Fatores Associados a Margens Cirúrgicas Circunferenciais Positivas após taTME

Definição do Problema
A margem cirúrgica circunferencial (CRM) positiva é um indicador de qualidade oncológica crítico na cirurgia de câncer retal, fortemente associada à recorrência local e à redução da sobrevida. Embora a excisão total do mesorreto via transanal (taTME) tenha sido introduzida para melhorar a visualização e a dissecção em casos anatomicamente desafiadores (ex.: pelve estreita, obesidade), alcançar uma CRM negativa permanece como um objetivo cirúrgico primário. Estudos anteriores baseados em registros utilizaram regressão logística para identificar fatores de risco, como a fáscia mesorectal (MRF) ameaçada e o estágio tumoral avançado. No entanto, o valor incremental de algoritmos de aprendizado de máquina (ML) para modelar relações não lineares e interpretar interações complexas de variáveis dentro de dados de registros do mundo real requer maior exploração. Este estudo aborda a necessidade de explorar os fatores associados à positividade da CRM após a taTME utilizando um grande registro multicêntrico, comparando múltiplos algoritmos de ML para identificar preditores influentes.

Metodologia

• Fonte de Dados: O estudo utilizou dados do Colaborativo de Registro de TaTME da China (CTRC), um registro baseado na web de âmbito nacional estabelecido em de 2017. A coorte incluiu 1.625 pacientes com câncer retal submetidos à taTME primária entre novembro de 2017 e julho de 2024 em 32 instituições.
• Desfecho: O desfecho primário foi a positividade patológica da CRM, definida pela presença de células tumorais ou linfonodos malignos a ≤1 mm da CRM. A taxa de positividade observada foi de 2,77% (45 casos).
• Preditores: Vinte e uma variáveis foram consideradas, incluindo demografia (idade, IMC, sexo), imagem pré-operatória (localização do tumor, estágio clínico T/N, MRF ameaçada, invasão vascular extramural), histórico de tratamento (terapia neoadjuvante), fatores intraoperatórios (supervisão de especialista, abordagem cirúrgica, conversão, ressecção interesfincteriana [ISR], dificuldades intraoperatórias) e patologia pós-operatória (estágio patológico T/N).
• Pré-processamento de Dados: Dados ausentes (11,69% no total) foram tratados por meio de imputação múltipla baseada em floresta aleatória (random forest). Para evitar o vazamento de dados (data leakage), a imputação foi realizada após a divisão do conjunto de dados em coortes de treinamento (70%) e validação (30%) usando amostragem estratificada para preservar a distribuição de eventos raros.
• Desenvolvimento do Modelo: Nove algoritmos de aprendizado de máquina supervisionado foram avaliados: Regressão Logística (LR), Elastic Net (ENET), Árvore de Decisão (DT), Floresta Aleatória (RF), Extreme Gradient Boosting (XGBoost), Radial Support Vector Machine (RSVM), Perceptron Multicamadas (MLP), LightGBM e k-Vizinhos Mais Próximos (KNN). Os hiperparâmetros foram otimizados via busca em grade (grid search) com validação cruzada de cinco dobras (five-fold cross-validation).
• Avaliação: O desempenho foi avaliado utilizando a Área Sob a Curva ROC (AUC), acurácia, sensibilidade, especificidade e outras métricas. A interpretação do modelo foi realizada utilizando SHapley Additive exPlanations (SHAP) para quantificar as contribuições das variáveis.

Resultos Principais

• Desempenho do Modelo: Na coorte de validação, o modelo Radial Support Vector Machine (RSVM) demonstrou a maior AUC aparente de 0,842 (IC 95%: 0,696–0,989). A Regressão Logística mostrou discriminação comparável com uma AUC de 0,819. Outros modelos, como Random Forest e KNN, exibiram AUCs de treinamento elevadas (>0,90), mas menor desempenho na validação, indicando overfitting neste cenário de eventos raros.
• Importância das Variáveis: A análise SHAP no modelo RSVM identificou os três preditores mais influentes da positividade da CRM:
  1. Estágio N patológico.
  2. Fáscia mesorectal (MRF) ameaçada na RM pré-operatória.
  3. Ressecção interesfincteriana (ISR).
• Associações Clínicas: Pacientes com positividade de CRM foram mais propensos a apresentar estágios T/N clínicos e patológicos mais elevados, envolvimento da MRF e positividade de EMVI na RM. Cirurgias realizadas sem supervisão de especialistas foram associadas a uma maior positividade de CRM, enquanto a ISR e a cirurgia robótica apresentaram taxas mais altas de positividade de CRM na análise univariada.
• Variação Intercentro: Heterogeneidade significativa nas taxas de positividade de CRM foi observada entre os 32 centros participantes (p < 0,001), embora nenhuma correlação significativa tenha sido encontrada entre o volume de casos do centro e as taxas de positividade de CRM.

Significância e Alegações
Os autores posicionam este estudo como uma análise exploratória, em vez de uma ferramenta de predição clínica definitiva. A principal significância reside em:

1. Validação de Fatores Conhecidos: Confirmar, dentro de um grande registro multicêntrico chinês, que fatores clinicamente plausíveis (MRF ameaçada, estágio nodal avançado, complexidade cirúrgica via ISR) estão fortemente associados à positividade da CRM.
2. Exploração Metodológica: Demonstrar a aplicação de múltiplos algoritmos de ML e interpretação SHAP a um registro de taTME do mundo real, destacando os desafios de modelar desfechos raros (baixa razão evento-por-preditor) e o risco de overfitting.
3. Limitações e Escopo: Os autores declaram explicitamente que os modelos incluíram variáveis intraoperatórias e pós-operatórias (ex.: estágio patológico, ISR, dificuldades intraoperatórias), tornando-os inadequados como ferramentas de suporte à decisão pré-operatória. O baixo valor preditivo positivo (VPP ~0,10 na validação) limita ainda mais a utilidade clínica imediata para escalonamento de tratamento.
4. Direções Futuras: O estudo conclui que, embora o ML possa integrar variáveis complexas, seu valor sobre a avaliação multidisciplinar padrão ainda não está comprovado. Pesquisas futuras são necessárias para desenvolver modelos utilizando exclusivamente variáveis pré-operatórias, aumentar o número de eventos de CRM positivos e realizar validação externa independente antes da aplicação clínica.

O artigo não pretende ter descoberto novos preditores, mas sim ter integrado quantitativamente fatores de risco conhecidos dentro de uma estrutura de registro de grande escala para compreender melhor suas contribuições relativas no contexto da taTME.