Previsão melhorada do risco de doença cardiovascular com modelos integrados de aprendizagem automática
um estudo da coorte UK Biobank
Os scores de risco clássicos, como o Framingham e o SCORE, ficam por vezes aquém devido ao seu conjunto limitado de variáveis. Neste estudo, utilizou-se aprendizagem automática para desenvolver um modelo abrangente de risco cardiovascular a partir do UK Biobank (240 644 participantes), combinando scores genéticos, parâmetros clínicos e fatores de estilo de vida, com modelos separados para o risco cardiovascular global, a doença cerebrovascular e a doença trombótica. O modelo integrado (clínico + estilo de vida + genético) teve o melhor desempenho, com uma AUC de 0,85, uma melhoria de 0,12 em relação ao score de Framingham. Os modelos baseados apenas em dados clínicos, de estilo de vida ou genéticos tiveram pior desempenho. Os principais preditores foram a idade, a pressão arterial sistólica, a cistatina C e o perímetro da cintura. A combinação de dados clínicos, de estilo de vida e genéticos melhora, assim, substancialmente a previsão do risco cardiovascular, embora continue a ser necessária validação em populações diversas.
Resumo
Objetivo
As doenças cardiovasculares (DCV) continuam a ser a principal causa de mortalidade a nível mundial, exigindo uma identificação precoce do risco para melhorar as estratégias de prevenção e de tratamento. Os modelos tradicionais de previsão do risco, como o Framingham Cardiovascular Risk Score e o Systematic Coronary Risk Evaluation, ficam frequentemente aquém devido à sua dependência de métodos estatísticos clássicos e a um âmbito limitado de variáveis.
Materiais e métodos
Este estudo recorreu a técnicas de aprendizagem automática (AA) para desenvolver e validar um modelo abrangente de previsão do risco de DCV utilizando dados da coorte UK Biobank. A nossa abordagem incorporou scores genéticos, parâmetros clínicos e fatores de estilo de vida para criar modelos separados para a DCV global, as doenças cerebrovasculares, as doenças trombóticas e outras doenças cardiovasculares. Utilizámos um conjunto diversificado de algoritmos de AA, incluindo Ridge Regression, Logistic Regression, Support Vector Machines, Random Forest, XGBoost, Multilayer Perceptron e Stacking, com procedimentos rigorosos de validação cruzada para garantir a robustez.
Resultados
De uma coorte inicial de 502 407 indivíduos, 240 644 participantes foram incluídos na análise final. O modelo integrado, que combina dados clínicos, de estilo de vida e genéticos, alcançou o desempenho preditivo mais elevado, com uma área sob a curva (AUC) de 0,85. Os modelos baseados exclusivamente em dados clínicos, em dados de estilo de vida e em scores de risco poligénico mostraram menor poder preditivo. A análise estratificada revelou um desempenho variável entre os subtipos de DCV, com a AUC mais elevada, de 0,83, para outras doenças cardiovasculares. Os principais preditores incluíram a idade, a pressão arterial sistólica, os níveis de cistatina C e o perímetro da cintura.
Conclusão
A integração de dados clínicos, de estilo de vida e genéticos aumenta substancialmente a exatidão preditiva dos modelos de AA para o risco de DCV. O nosso modelo demonstra um desempenho robusto, com uma melhoria de 0,12 na AUC em relação ao Framingham Cardiovascular Risk Score, o que realça a sua potencial utilidade em contexto clínico para a identificação precoce do risco e para estratégias de intervenção personalizadas. A investigação futura deve concentrar-se em aperfeiçoar o modelo, incorporando preditores adicionais e validando a sua aplicabilidade em populações diversas.
Junte-se a nós
Junte-se à rede cardiovascular global dos cuidados de saúde primários. A adesão é gratuita.
Quer contar-nos mais sobre si?
Áreas de interesse
Enviaremos um e-mail com uma ligação para confirmar o seu registo.




