Nova ferramenta prevê mortalidade em pacientes com fibrilação atrial

A Fibrilação Atrial (FA) é uma condição cardíaca comum que faz o coração bater de forma irregular e geralmente rápida. Essa condição pode levar a problemas de saúde sérios, como derrames e insuficiência cardíaca. A FA afeta mais os adultos mais velhos, com mais de 2 milhões de pessoas diagnosticadas nos Estados Unidos, especialmente quem tem 65 anos ou mais. Quem tem FA tem um risco maior de morrer de várias causas comparado a quem não tem a condição.

FA não é só um problema de saúde; também pesa bastante nos sistemas de saúde por causa dos custos com seu tratamento e complicações associadas. Para ajudar a avaliar o risco de complicações como derrames em pacientes com FA, os médicos costumam usar uma ferramenta de pontuação chamada CHA2DS2-VASc. Essa pontuação leva em conta vários fatores de saúde como insuficiência cardíaca, hipertensão, idade, diabetes, derrames anteriores e outras condições.

Embora existam ferramentas para avaliar o risco de derrame, ainda falta métodos específicos para prever o risco de morte em pacientes com FA. Alguns estudos recentes tentaram criar novas pontuções de risco para FA, mas esses foram baseados principalmente em dados de ensaios clínicos, que podem não se aplicar bem à população geral com FA.

Para resolver essa lacuna, mais estudos são necessários para encontrar maneiras melhores de avaliar o risco de morte em pacientes com FA. Uma abordagem poderia envolver o uso de técnicas de aprendizado de máquina para descobrir fatores importantes que contribuem para a mortalidade desses pacientes e desenvolver um sistema de pontuação simples que possa prever a probabilidade de morte em um ano.

#Design do Estudo e Fonte de Dados

O estudo foi uma análise de coorte retrospectiva de um único centro usando dados do banco de dados Medical Information Mart for Intensive Care-IV (MIMIC-IV). Esse banco de dados contém informações sobre pacientes em estado crítico que foram internados na unidade de terapia intensiva (UTI) do Centro Médico Beth Israel Deaconess entre 2008 e 2019. Os pesquisadores receberam aprovação para usar esses dados e obtiveram consentimento para a coleta inicial de dados.

#População do Estudo

O estudo focou em pacientes com 18 anos ou mais que foram diagnosticados com FA durante a internação. Os pesquisadores identificaram esses pacientes procurando códigos médicos específicos relacionados à FA. Eles excluíram casos onde não havia dados disponíveis sobre os resultados de sobrevivência dos pacientes.

#Variáveis do Estudo

Os pesquisadores analisaram vários fatores relacionados à população de pacientes, incluindo seu histórico médico, complicações que surgiram, diferentes escores de saúde (como o Índice de Comorbidade de Charlson), sinais vitais e uma variedade de exames laboratoriais. Eles também observaram o uso de certos medicamentos, incluindo medicamentos para suporte à pressão arterial e anticoagulantes, que podem impactar os resultados dos pacientes.

#Medição de Resultados

O principal resultado de interesse foi a probabilidade de morrer dentro de um ano após o diagnóstico de FA. Os pesquisadores usaram as datas de falecimento disponíveis no banco de dados MIMIC-IV para calcular isso.

#Desenvolvimento e Validação do Modelo de Aprendizado de Máquina

Para construir o modelo preditivo, o conjunto de dados foi dividido em amostras de treinamento e teste na proporção de 3:1. Técnicas foram usadas para evitar o overfitting, que acontece quando um modelo é muito complexo para os dados com os quais foi treinado. O estudo utilizou o modelo XGBoost, que consegue lidar bem com dados faltantes.

Os pesquisadores avaliaram o desempenho do modelo usando uma medida padrão chamada área sob a curva característica de operação do receptor (ROC). Um total de 164 fatores diferentes foram considerados para o treinamento do modelo. Eles também criaram uma curva de calibração para comparar as probabilidades previstas dos resultados com as ocorrências reais.

#Desenvolvimento do Sistema de Pontuação

O modelo XGBoost ajudou a identificar os fatores mais importantes que contribuem para o risco de morte em pacientes com FA. Esses fatores-chave foram então usados para criar um modelo de pontuação mais simples, conhecido como pontuação CRAMB. Essa pontuação inclui cinco variáveis principais: o Índice de Comorbidade de Charlson, o número de readmissões hospitalares, a idade do paciente, se eles tinham tumores sólidos metastáticos e o nível máximo de nitrogênio ureico no sangue durante a internação.

Os pesquisadores testaram como incluir ou excluir certas variáveis afetava o desempenho do modelo. Eles buscaram encontrar um equilíbrio ideal entre precisão e complexidade ao desenvolver o método de pontuação. Um nomograma, uma ferramenta visual, foi criado para calcular facilmente as pontuações CRAMB.

#Análise de Dados

Para a análise, os pesquisadores usaram o software Python para construir modelos de aprendizado de máquina e o software R para análises de regressão logística e de Cox. As características básicas dos participantes foram apresentadas usando médias, medianas ou porcentagens com base na distribuição dos dados. Eles compararam a precisão de diferentes modelos preditivos para ver qual teve o melhor desempenho na previsão da mortalidade em 1 ano entre pacientes com FA.

#Características da População do Estudo

O estudo incluiu 59.595 indivíduos diagnosticados com FA. Mais da metade deles era do sexo masculino, com uma idade média de cerca de 77 anos. Os pacientes tinham uma pontuação média de CHA2DS2-VASc de 4 e uma pontuação do Índice de Comorbidade de Charlson de 6. A duração média da internação foi de quatro dias.

#Prevendo a Mortalidade em 1 Ano

O modelo XGBoost gerou uma área significativa sob a curva ROC (AUC) de 0,833, indicando um bom desempenho preditivo para a mortalidade em 1 ano. Em comparação, a pontuação CRAMB, desenvolvida a partir dessa análise, alcançou uma AUC respeitável de 0,756, superando outros escores de risco bem conhecidos como o escore CHA2DS2-VASc.

#Principais Conclusões do Estudo

Esse estudo é significativo porque mostra como o aprendizado de máquina pode ser usado para criar modelos preditivos de mortalidade em pacientes com FA. A pontuação CRAMB se mostrou uma ferramenta útil para medir o risco de mortalidade em 1 ano nesses pacientes. Analisando um grande conjunto de dados, o estudo identificou com sucesso fatores importantes que contribuem para a mortalidade e demonstrou que a pontuação CRAMB supera as pontuações de risco existentes.

#Fatores Associados à Mortalidade

Muitos fatores clínicos e demográficos estão ligados a um risco maior de morte em pacientes com FA. A hipertensão é frequentemente identificada como um grande fator de risco para insuficiência cardíaca e morte. Além disso, certas medições de sangue, como a largura de distribuição de glóbulos vermelhos, também estão associadas a um risco maior de mortalidade em pacientes com FA.

Outros preditores significativos de mortalidade incluem hipertrofia ventricular esquerda e doença renal crônica, ambas elevando o risco de morte e complicações para quem tem FA. A idade é outro fator crítico, já que pessoas mais velhas tendem a ter riscos maiores tanto para derrames quanto para mortalidade.

Além disso, pesquisas contínuas sugerem uma conexão entre câncer e FA. Pacientes com tumores sólidos têm uma chance maior de desenvolver FA e enfrentar problemas de saúde relacionados. Fatores como inflamação causada pelo câncer e tratamentos para câncer podem ter um papel nessa associação.

Por fim, o nitrogênio ureico no sangue (BUN) também se destacou como uma medida essencial para prever mortalidade em pacientes com doenças cardiovasculares, incluindo FA.

#Comparação com Outros Estudos

A pontuação CRAMB foi desenvolvida em contraste com outros sistemas de pontuação voltados para a previsão de mortalidade em pacientes com FA. Estudos anteriores criaram pontuações com base em menos variáveis ou conjuntos de dados limitados, que podem não se aplicar a uma gama mais ampla de pacientes. A pontuação CRAMB utiliza dados de uma população grande e diversa, permitindo uma melhor generalização dos achados em comparação com estudos menores.

Apesar de seu desenvolvimento bem-sucedido, o estudo reconhece limitações, como depender apenas dos dados de um único centro e a potencial incompletude das variáveis preditoras. Esforços futuros poderiam se concentrar em reunir conjuntos de dados mais abrangentes e explorar variáveis adicionais para aprimorar a pontuação CRAMB.

Em resumo, este estudo destaca a importância do desenvolvimento de sistemas de pontuação eficazes para avaliar o risco de mortalidade em pacientes com FA. A pontuação CRAMB oferece uma ferramenta prática para os clínicos, permitindo uma melhor atenção ao paciente e estratégias de gerenciamento de risco mais eficientes. Mais pesquisas poderiam ajudar a validar essa ferramenta de pontuação em diferentes contextos, beneficiando na final os pacientes com FA.