A inteligência artificial pode prever a mortalidade nos anos após uma fratura de quadril?

A fratura de quadril é uma doença comum com um alto grau de morbilidade e mortalidade associada. Nos EUA se produzem mais de 300.000 fraturas de quadril ao ano, o que representa mais de 40% de internações em lares de idosos relacionadas a fraturas e 70% (US$ 12 bilhões) dos custos diretos no tratamento de fraturas. Dentro de 1 ano após a lesão, 20-30% dos pacientes morrem e 50% perdem a capacidade de andar.

A probabilidade de fratura, que ocorre mais comumente depois de uma queda, aumenta exponencialmente com a idade, o que a converte em um problema especialmente importante a abordar em uma população de envelhece. Os fatores de risco incluem a idade, a osteoporose, obesidade, diminuição da percepção visual, sedentarismo, a debilitação muscular, doenças crônicas que aumento o risco de desequilíbrio, como a artrite e a doença de Parkinson, e o deterioro cognitivo.

Com isso, Asrian e colaboradores (2023) avaliaram se a mortalidade depois de uma fratura de quadril pode ser prevista mediante um modelo de aprendizagem automático treinado com dados básicos de análise sanguínea e laboratorial, assim como dados demográficos básicos. Além disso, o propósito foi identificar as variáveis chave mais associadas com a mortalidade em 1, 5 e 10 anos e investigar sua importância clínica.

Os dados de entrada incluíram 3.751 registros de pacientes com fratura de quadril obtidos da base de dados Medical Information Mart for Intensive Care IV, que proporcionou registros de sistemas de bases de dados hospitalares no Centro Médico Beth Israel. A taxa de mortalidade a 1 ano para todos os pacientes estudados foi de 21% e para os maiores de 80 anos foi de 29%.

Avaliou-se 10 modelos diferentes de classificação de aprendizagem automática e descobriu-se que LightGBM possuía o rendimento de previsão de mortalidade a 1 ano mais sólido, com uma precisão de 81%, um AUC de 0,79, uma sensibilidade de 0,34 e uma especificidade de 0,98 no conjunto de testes.

Os recursos mais bem avaliados do modelo de 1 ano incluem:

• Idade
• Glicemia
• Amplitude de distribuição de glóbulos vermelhos
• Concentração média de hemoglobina corpuscular
• Glóbulos brancos
• Nitrogênio ureico
• Tempo de protrombina
• Contagem de plaquetas
• Níveis de cálcio
• Tempo parcial de tromboplastina

A maioria destes também estavam entre as 10 características principais dos modelos de previsão LightGBM de 5 e 10 anos treinados. Os testes destes biomarcadores de alto padrão em novos pacientes com fratura de quadril podem ajudar aos médicos a avaliarem a probabilidade de baixos resultados para os pacientes com fratura de quadril, e a investigação adicional pode utilizar estes biomarcadores para desenvolver uma pontuação de risco de mortalidade.

Figura. Gráfico de barras mostrando os valores de importância dos recursos para os 10 principais recursos usando o modelo de previsão de mortalidade de 1 ano LightGBM treinado nos 156 recursos. Abaixo do gráfico, diferenças percentuais dos valores médios de cada variável da coorte que faleceu dentro de 1 ano em comparação com a coorte que sobreviveu 1 ano, calculadas como ([1]/[0] − 1 × 100%). CHCM, concentração média de hemoglobina corpuscular; PT: tempo de protrombina; TTP: tempo de tromboplastina parcial; RDW: largura de distribuição das hemácias.

Em geral, demonstrou-se que é possível desenvolver um modelo de aprendizagem automática de alto precisão que pode estimar a mortalidade a 1 ano em pacientes com fratura de quadril neste conjunto de dados.  É possível isolar a maioria dos biomarcadores e atributos demográficos e treinar novamente um modelo de previsão apenas nos 10 principais recursos para produzir um modelo de precisão comparável (dentro de 1%).

Foi testado diversos modelos para identificar o algoritmo de classificação mais apropriada para a previsão da mortalidade por fratura de quadril. O modelo de previsão LightGBM funcionou melhor com a precisão equilibrada e os valores AUC mais sólidos. LightGBM é um algoritmo de impulso que implica treinar múltiplos modelos em sequência, e cada um mostra uma melhora com respeito a seu antecessor.

Como muitas fontes anteriores da literatura indicaram, a idade é um importante preditor de mortalidade em indivíduos devido ao comprometimento dos mecanismos de reparo, da resposta imunológica (crítica para a defesa contra infecções bacterianas) e da mobilidade.

A segunda variável mais importante, a glicemia, também foi considerada importante. Embora não tenha havido diferença média entre os pacientes com mortalidade em 1 ano e aqueles que sobreviveram >1 ano, a glicemia pode fornecer uma medida adicional da carga da doença nos idosos. Aqueles com muita glicose podem sofrer sequelas de diabetes, incluindo má cicatrização e mobilidade. Aqueles com pouca glicose podem sofrer quedas adicionais devido ao estado hipoglicêmico e podem ser considerados um risco de queda (limitando ainda mais a mobilidade). Marcadores de saúde hematológica também foram úteis.

Outros marcadores notáveis ​​​​que foram incluídos nas 10 principais variáveis ​​foram nitrogênio ureico (um marcador da função renal geral que pode ser usado para determinar se os indivíduos estão com depleção de volume, possivelmente devido a sepse), PT/PTT e contagem de células plaquetas, que pode determinar se os indivíduos mantêm a capacidade de coagulação e o cálcio sérico, que tem sido identificado como preditor de mortalidade em pacientes com osteoporose.