Estudo analisa tecnologias para identificar sangramento gastrointestinal

Dois modelos de aprendizado de máquina, XGBoost e RegCox, mostraram desempenho igualmente superior para ajudar os médicos a identificar pacientes de alto risco para sangramento gastrointestinal, descobriu um estudo observacional.

Examinando pacientes prescritos medicamentos antitrombóticos, tanto a regressão de riscos proporcionais de Cox regularizada (RegCox) e os modelos de aumento de gradiente extremo (XGBoost) tiveram o melhor desempenho na previsão de sangramento gastrointestinal no conjunto de dados de validação, com uma área sob a curva de 0,67 (AUC) em 6 meses e uma AUC de 0,66 em 1 ano, embora o RegCox tivesse uma discriminação marginalmente melhor, relatou Jeph Herrin, PhD, da Escola de Medicina de Yale em New Haven, Connecticut, e colegas.

No entanto, o modelo de florestas de sobrevivência aleatória mostrou uma AUC de 0,62 em 6 meses e uma AUC de 0,60 em 1 ano, e o modelo existente, HAS-BLED mostrou uma AUC de 0,60 e 0,59, respectivamente, os autores escreveram no JAMA Network Open.

A implementação de abordagens de modelo pode ajudar os médicos a mitigar os riscos associados às suas decisões de tratamento ao prescrever antitrombóticos, como anticoagulantes orais diretos, antiplaquetários de tienopiridina ou antagonistas da vitamina K para pacientes com doença cardiovascular.

O objetivo principal deste estudo se concentrou em incorporar o conhecimento avançado do risco de sangramento gastrointestinal nas decisões de tratamento clínico.

“Fomos capazes de construir uma coorte maior com seguimento mais longo do que, até onde sabemos, havia sido usada antes no desenvolvimento do modelo, e a coorte incluiu pacientes que receberam tratamento com uma variedade de agentes antitrombóticos, melhorando assim a generalização e relevância clínica dos resultados”, escreveram os autores, uma vez que estudos anteriores não puderam comparar mais modelos com um conjunto de dados maior.

Todos os modelos existentes têm limitações, observaram os autores, como a exclusão de medicamentos contemporâneos (antiplaquetários de segunda geração), conjuntos de dados menores usados ​​para sangramento gastrointestinal em seu desenvolvimento de modelo e uma incapacidade de adicionar avanços médicos em seus algoritmos.

“Embora os modelos de ML [aprendizado de máquina] possam alcançar um desempenho superior, eles geralmente são complexos e, portanto, sacrificam a interpretabilidade”, escreveu Fei Wang, PhD, do Weill Cornell Medical College, na cidade de Nova York, em um editorial que o acompanha. “Os médicos preferem usar modelos que possam entender e que se alinhem com sua própria experiência e conhecimento. Esta é uma razão importante pela qual calculadoras de risco do tipo cartão de pontuação, como HAS-BLED, são populares na prática clínica, apesar de serem quantitativas o desempenho pode não ser alto. ”

Herrin e colegas usaram os modelos para prever sangramento gastrointestinal elevado no grupo de validação, avaliando a AUC em curvas ROC construídas, além de usar gráficos de densidade de predição ao analisar a especificidade, sensibilidade e valor preditivo positivo. Os modelos de aprendizado de máquina previam o risco de sangramento gastrointestinal em 6 meses e 1 ano.

Detalhes do estudo

Os dados vieram de mais de 306.000 adultos nas reivindicações médicas e farmacêuticas americanas do OptumLabs Data Warehouse (OLDW) de 1º de janeiro de 2016 a 31 de dezembro de 2019.

Os pacientes não tinham receita médica nos últimos 12 meses e um histórico de fibrilação atrial, doença isquêmica do coração ou tromboembolismo venoso. Aqueles em risco de câncer relacionado a sangramento gastrointestinal foram excluídos. O principal resultado foi o tempo em dias para o primeiro sangramento gastrointestinal.

A idade média dos pacientes era de 69 anos, pouco mais da metade dos participantes eram homens e mais de 60% eram brancos. Pacientes negros corriam mais risco de sangramento gastrointestinal do que brancos e de outras raças, e as mulheres corriam mais risco do que os homens. Houve 4% dos participantes com sangramento gastrointestinal durante o acompanhamento de 133 dias.

A maioria dos participantes estava em uso de anticoagulantes (57%), com 42% em antiplaquetários. A maioria dos participantes tinha hipertensão (88%), enquanto 46% eram fumantes e 44% tinham doença valvar.

Entre os pacientes que apresentaram sangramento gastrointestinal, 85,1% estavam em uso de anti-hipertensivos, 61,6% em medicamentos anti-hiperlipidêmicos e 40,6% em uso de inibidores da bomba de prótons ou agentes gastroprotetores.

Para o modelo RegCox, as variáveis ​​de pontuação de maior importância incluíram sangramento GI anterior (0,72), “fibrilação atrial, doença cardíaca isquêmica e tromboembolismo venoso combinados” (0,38) e uso de agentes gastroprotetores (0,32).

“Embora alguns modelos de aprendizado de máquina em nosso estudo tenham mostrado um desempenho melhor do que as pontuações de risco tradicionais, o desempenho é modesto (estatística c não muito alta). Além disso, os modelos parecem ser melhores na identificação de pacientes de baixo risco”, destacou. “O desempenho modesto indica que a ferramenta pode ser mais adequada para uso como ferramenta complementar para apoiar a tomada de decisão clínica no contexto de outras informações clínicas, em vez de depender inteiramente do modelo para tomar a decisão.”

As limitações deste estudo incluem a ausência de dados de pacientes sem seguro ou do Medicare, uma vez que o estudo usou o banco de dados de sinistros OLDW. Sem os dados desses grupos de pacientes, os resultados não podem ser totalmente generalizados para incluir todos os pacientes mais velhos. OLDW cobre Medicare Advantage e seguro privado.

“Precisamos validar o algoritmo em outras configurações ou populações para ver se o desempenho é semelhante, também considere incorporar o algoritmo em EHR para permitir a previsão de risco em tempo real para ajudar os médicos a tomar decisões no ponto de atendimento”, disse Herrin.

___________________________

O estudo original foi publicado no JAMA Network Open

* “Comparative Effectiveness of Machine Learning Approaches for Predicting Gastrointestinal Bleeds in Patients Receiving Antithrombotic Treatment” – 2021

Autores do estudo: Jeph Herrin, PhD, Neena S. Abraham, MD, Xiaoxi Yao, PhD, Peter A. Noseworthy, MD, Jonathan Inselman, MS, Nilay D. Shah, PhD, Che Ngufor, PhD – 10.1001/jamanetworkopen.2021.10703