Calculadoras de risco são usadas para avaliar o risco de doenças para milhões de pacientes, tornando sua precisão crucial. No entanto, quando modelos nacionais são adaptados a populações locais, eles geralmente se degradam, perdendo precisão e interpretabilidade. Pesquisadores do Brigham and Women’s Hospital, um membro fundador do sistema de saúde Mass General Brigham, usaram machine learning avançado para aumentar a precisão de uma calculadora nacional de risco cardiovascular, ao mesmo tempo em que mantiveram sua interpretabilidade e as associações de risco originais. Os resultados demonstraram maior precisão geral em uma coorte de prontuários eletrônicos de saúde do Mass General Brigham e mudaram aproximadamente um em cada dez pacientes para uma categoria de risco diferente para facilitar decisões de tratamento mais precisas. Os resultados são publicados em JAMA Cardiology.
“As calculadoras de risco são incrivelmente importantes porque são uma parte integrante da conversa entre provedores e pacientes sobre prevenção de riscos”, disse o autor principal Aniket Zinzuwadia, MD, médico residente de medicina interna no Brigham and Women’s Hospital. “No entanto, ao aplicar essas calculadoras globais a populações locais, às vezes há variações que estão relacionadas à natureza de uma área – sejam características demográficas diferentes, padrões de prática médica diferentes ou fatores de risco diferentes – então queríamos encontrar uma maneira de adaptar o modelo subjacente para o risco cardiovascular para populações locais de forma segura, construindo sobre o que já está sendo feito.”
A American Heart Association publicou a calculadora PREVENT (Predicting Risk of Cardiovascular Disease Events) em 2023 para adultos entre 30 e 79 anos. Esta ferramenta nova e aprimorada ajuda a prever a probabilidade de uma pessoa ter um ataque cardíaco, derrame ou insuficiência cardíaca em 10 anos e em 30 anos. Embora as equações PREVENT tenham se mostrado eficazes na avaliação de risco em nível nacional, os pesquisadores queriam ver se sua técnica poderia calibrar melhor a avaliação de risco para populações mais locais.
Para o estudo, os pesquisadores usaram os dados eletrônicos de saúde de 95.326 pacientes do Mass General Brigham que tinham 55 anos ou mais em 2007 e que tiveram pelo menos uma medição de lipídios ou pressão arterial entre 1997 e 2006 e que interagiram com o sistema hospitalar pelo menos uma vez entre 2007 e 2016. A equipe usou o XGBoost, uma biblioteca de aprendizado de máquina de código aberto, para recalibrar as equações PREVENT, mantendo as associações de fatores de risco conhecidos com os resultados observados no modelo original. Os resultados demonstraram maior precisão e a reclassificação de um em cada dez pacientes nesta população.
