Dados do Trabalho

Título

Aprendizado de máquina prediz o risco de novos eventos após síndromes coronarianas agudas, identifica indivíduos de alto custo e aqueles com elevada carga de fatores de risco não controlados

Resumo

INTRODUÇÃO. Enquanto as taxas de mortalidade por síndromes coronarianas agudas (SCA) diminuíram nas últimas décadas, o custo total aumentou de forma inversa. Os escores de risco tradicionais melhoraram a definição da estratégia terapêutica inicial na SCA, mas não foram projetados para considerar as repercussões das terapias intra-hospitalares ou o risco a longo prazo de desfechos menos duros, porém de alto custo. Nesse contexto, o equilíbrio entre preditores clínicos e a utilidade econômica dos desfechos é essencial para formular ferramentas de estratificação do risco com utilidade pública. Nossa hipótese é que, usando técnicas de aprendizado de máquina (ML), poderemos identificar indivíduos com alto risco para novos eventos clínicos e com maior carga de fatores de risco não controlados; isso permitiria avaliar o impacto econômico de cada estrato de risco.

MÉTODOS. Com indivíduos consecutivos com SCA (n=1.089) de duas coortes (2006-2018), treinamos modelos ML em 60% da população, validamos em 20% e testamos em 20%. Um modelo de 29 variáveis incluiu sinais vitais, dados coronarográficos, diagnósticos e laboratoriais. Um modelo que previsse eventos CV e carga alta de fatores de risco não controlados seria retido para análises econômicas. Nos modelos de ML, os desfechos foram compostos por: IAM, nova revascularização e mortes cardiovasculares (MACE). As análises de custos também consideraram óbitos não-CV, diálise (após a SCA índice), hospitalizações sensíveis à atenção primária (HSAP) e AVC. Estimamos os custos com a perpectiva do SUS como fonte pagadora.

RESULTADOS. Um modelo de ML (amostra treinamento-validação: 163 MACE; amostra teste: 36 MACE; até 12 anos de seguimento) obteve área sob a curva (AUC)=0,857 (amostra teste), superando o escore GRACE (AUC 0,569). Indivíduos classificados como alto risco (>90º percentil) apresentaram níveis séricos de HbA1c e LDLc superiores tanto em <24h pós-SCA e 1 ano de seguimento. Esses indivíduos também apresentaram 2,03 vezes maiores custos médios em comparação com baixo risco (US$ 3820 vs 1878, p=0,005), principalmente devido a HSAP, revascularização e diálise.

CONCLUSÕES. Métodos de ML previram riscos a longo prazo e custos após SCA, e identificaram indivíduos com uma carga maior de fatores de risco modificáveis não controlados.

Área

Pesquisa Clínica