A inteligência artificial pode ser útil na predição de DAC? 

O estudo SCOT-HEART (Scottish Computed Tomography of the HEART) foi um ensaio clínico randomizado publicado inicialmente em 2015 que teve como objetivo avaliar o impacto da angiotomografia coronariana por tomografia computadorizada na investigação de pacientes com dor torácica estável. A partir das evidências desse trial é que a angiotomografia passou a ser recomendada pelas principais diretrizes para avaliação e suspeita de dor torácica por doença aterosclerótica coronariana. Em uma análise secundária mais recente, publicada esse ano na Open Heart (Machine learning to predict high-risk coronary artery disease on CT in the SCOT-HEART trial), foram utilizadas técnicas de machine learning (aprendizado de máquina) para prever, com base em dados clínicos, dois desfechos principais em pacientes avaliados no SCOT-HEART: a presença de doença arterial coronariana (DAC) e a presença de uma elevada carga de placa coronariana de baixa atenuação (LAP – low-attenuation plaque). 

Metodologia 

Este novo trabalho foi um estudo retrospectivo de análise secundária, utilizando dados clínicos de 1.769 pacientes previamente randomizados para realizar angiotomografia no SCOT-HEART. O algoritmo de machine learning escolhido foi o XGBoost, uma técnica de aprendizado supervisionado baseada em árvores de decisão otimizadas por gradiente, reconhecida por sua eficiência e capacidade de lidar com dados heterogêneos e ausentes. Dois modelos preditivos foram desenvolvidos separadamente: um para identificar qualquer presença de DAC na angiotomografia (estenose > 10%) e outro para detectar uma carga aumentada de LAP (> 4% do volume do vaso). 

Os modelos foram treinados com 80% da amostra e testados nos 20% restantes, utilizando validação cruzada e seleção de hiper-parâmetros por busca em grade. As variáveis utilizadas incluíram características demográficas, fatores de risco cardiovascular, dados de ECG, teste ergométrico e sintomas clínicos extraídos do Questionário de Angina de Seattle, representando informações disponíveis na consulta ambulatorial inicial antes do exame de imagem. 

Resultados 

Na análise do desfecho primário, para identificação da presença de DAC, o modelo de machine learning apresentou uma área sob a curva (ASC) ROC de 0,80 (IC 95%: 0,74–0,85), significativamente superior ao escore de risco cardiovascular de 10 anos (ASSIGN), que teve ASC de 0,75 (IC 95%: 0,70–0,81; p = 0,004), e ao escore de probabilidade pré-teste da Sociedade Europeia de Cardiologia (AUC 0,73; p < 0,001). As variáveis mais relevantes para o modelo preditivo de DAC foram o escore ASSIGN, idade, sexo, colesterol total e a presença de teste ergométrico anormal. O modelo também demonstrou boa acurácia, com sensibilidade e especificidade de 72%, valor preditivo positivo (VPP) de 60% e valor preditivo negativo (VPN) de 82%, indicando que pode funcionar como uma ferramenta útil para triagem de pacientes com maior probabilidade de DAC antes da realização da angiotomografia. 

Por outro lado, para o desfecho secundário (predição de uma carga elevada de placa de baixa atenuação – fenótipo associado a maior risco de eventos), o modelo de machine learning não superou os métodos tradicionais. A ASC do modelo foi de 0,75 (IC 95%: 0,70–0,80), valor semelhante ao do escore ASSIGN (AUC 0,72; IC 95%: 0,66–0,77; p = 0,08). Embora tenha apresentado desempenho ligeiramente superior ao escore pré-teste da ESC (AUC 0,69; p = 0,005), a diferença não foi clinicamente significante. As variáveis com maior importância neste segundo modelo foram o escore de risco de 10 anos, idade, índice de massa corporal (IMC), colesterol total e HDL-colesterol. A sensibilidade foi de 64%, a especificidade de 72%, o VPP de 68% e o VPN de 86%. 

Mensagem prática: predição de DAC 

A ausência de validação externa, o tamanho relativamente pequeno da amostra são as principais limitações do trabalho. Como os escores de risco mais utilizados na prática para estimar a probabilidade de doença arterial coronariana não são perfeitos, superestimando ou subestimando a possibilidade de DAC em certas populações, o uso de técnicas de aprendizado de máquina surge como ferramenta alternativa com melhor acurácia preditiva. Na prática, esses dados podem no futuro orientar a triagem de quais pacientes deverão ser priorizados para realização do exame. Temos, na inteligência artificial, um caminho promissor para uma estratificação mais personalizada e precisa da doença arterial coronariana.