Aplicação de inteligência artificial para predição de desfechos em acidente vascular cerebral

Introdução

O acidente vascular cerebral (AVC) está entre as principais causas de morte e incapacidade no mundo, com impacto acentuado em países de média e baixa renda, como o Brasil. Modelos prognósticos podem apoiar a estratificação de risco, a alocação de recursos e o cuidado individualizado. O aprendizado de máquina tem mostrado bom desempenho nesse contexto, e arquiteturas profundas criadas para dados tabulares prometem superar os métodos tradicionais, embora estudos recentes indiquem que modelos baseados em árvores de decisão ainda predominam nesse tipo de dado. Além disso, permanece pouco explorado quanto a evolução hospitalar acrescenta às informações disponíveis na admissão.

Objetivo

Desenvolver e comparar modelos de aprendizado de máquina tradicionais e profundos para predizer desfechos clínicos do AVC e quantificar o ganho preditivo de acrescentar, às variáveis de admissão, informações da evolução nos primeiros 14 dias de internação.

Método

Análise secundária dos dados públicos do International Stroke Trial (19.435 pacientes com suspeita de AVC isquêmico agudo, 36 países). Os desfechos foram óbito em 14 dias e em 6 meses, recuperação funcional completa em 6 meses e desfecho funcional em 6 meses (quatro categorias). Compararam-se sete classificadores tradicionais, como regressão logística, gradient boosting e XGBoost, e três arquiteturas profundas tabulares (TabNet, NODE e FT-Transformer), com dois conjuntos de preditores: admissão e admissão acrescida de variáveis evolutivas. Variáveis com vazamento de informação do desfecho foram excluídas. Avaliaram-se, em conjunto de teste independente, AUC-ROC com intervalos de confiança de 95% por bootstrap, escore de Brier e valores SHAP.

Resultados e discussão

A discriminação foi alta para mortalidade: o gradient boosting obteve AUC de 0,812 (IC95%: 0,796–0,828) para óbito em 6 meses e 0,815 (0,793–0,838) para óbito em 14 dias, com boa calibração (Brier de 0,13 e 0,07). Para os desfechos funcionais, o desempenho foi moderado: AUC de 0,664 para recuperação completa (regressão logística) e AUC one-vs-rest de 0,732 para o desfecho em quatro categorias (XGBoost). As variáveis evolutivas trouxeram ganho modesto (até +0,018 de AUC), indicando que a admissão já concentra a maior parte do sinal prognóstico. Nenhuma arquitetura profunda superou o gradient boosting: o FT-Transformer o igualou, enquanto TabNet e NODE ficaram abaixo, em concordância com a literatura sobre dados tabulares. A reamostragem para balanceamento de classes não alterou a AUC e piorou a calibração, sendo descartada. Os resultados mantiveram-se estáveis em dez partições distintas (desvio-padrão da AUC ≤ 0,009). Pela análise SHAP, idade e nível de consciência na admissão foram os preditores dominantes, seguidos de déficits neurológicos, fibrilação atrial e AVC recorrente precoce. Limitações incluem dados da década de 1990 e ausência de validação externa.

Conclusão

É possível predizer desfechos do AVC com desempenho sólido, boa calibração e interpretabilidade a partir de variáveis clínicas simples, sobretudo para mortalidade. As variáveis evolutivas pouco acrescentaram às de admissão, e as redes profundas não superaram o gradient boosting, o que favorece modelos de menor custo e maior transparência para apoio à decisão clínica. A validação externa em coortes contemporâneas é o próximo passo.

Palavras-chave

• Acidente Vascular Cerebral
• Aprendizado de Máquina
• Prognóstico
• Tomada de Decisão Clínica