Model de machine learning pentru predicția mortalității pe termen lung după AVC ischemic

Context și relevanță clinică

AVC-ul rămâne a doua cauză de deces la nivel mondial după boala coronariană ischemică, cu aproximativ 5,5 milioane de decese anuale și o incidență de 13,7 milioane de cazuri noi pe an. Impactul global al AVC-ului depășește mortalitatea: în fiecare an, peste 80 de milioane de supraviețuitori ai AVC trăiesc cu dizabilități reziduale — hemiplegie, afazie, tulburări cognitive, depresie post-AVC — impunând sarcini majore asupra sistemelor de sănătate și familiilor pacienților. În Coreea de Sud, AVC reprezintă principala cauză de dizabilitate cronică și a doua cauză de deces, cu o incidență estimată de aproximativ 100.000 de cazuri noi anual.

Predicția mortalității pe termen lung după AVC ischemic este critic importantă din mai multe perspective clinice. Pentru pacienți și familii, informațiile prognostice precise permit luarea unor decizii informate privind recuperarea, planificarea îngrijirii și calitatea vieții. Pentru sistemul de sănătate, identificarea pacienților cu risc înalt de deces în lunile sau anii următori permite alocarea resurselor de reabilitare și monitorizare intensivă acolo unde au cel mai mare impact. Pentru cercetare, stratificarea prognostică precisă este esențială pentru proiectarea studiilor clinice cu obiective primare de supraviețuire.

Scorurile tradiționale de predicție a mortalității post-AVC — Essen Stroke Risk Score, ASTRAL, iScore, PREMISE — au fost validate predominant pentru obiective primare pe termen scurt (30 de zile sau 90 de zile) sau necesită colectare laborioasă de date imagistice sau de laborator specializate. Performanța lor în predicția mortalității pe termen lung (ani) este mai modestă, cu C-index-uri uzual sub 0,80. Metodele de machine learning (ML) oferă avantaje teoretice importante: capacitatea de a surprinde relații non-liniare și interacțiuni complexe între predictorii clinici, fără a impune distribuții parametrice restrictive — potențial superior metodelor de regresie tradiționale pentru date clinice eterogene.

Machine learning în predicția prognostică medicală

Machine learning (ML) și deep learning (DL) au demonstrat performanță superioară față de scorurile convenționale în multiple domenii ale medicinei predictive: predicția riscului cardiovascular, a mortalității post-operatorii, a progresiei insuficienței renale cronice, a complicațiilor diabetice și a recăderilor în oncologie. Avantajele specifice față de regresia logistică sau Cox tradițională includ:

• Surprinderea non-liniarităților — relațiile dintre predictorii clinici și risc sunt frecvent non-liniare (de ex. relația în U a tensiunii arteriale cu riscul cardiovascular); modelele ML le surprind fără specificare manuală a formelor funcționale
• Interacțiuni de ordin înalt — efectele de interacțiune între vârstă, NIHSS, comorbidități și parametri biologici sunt capturate automat, fără presupuneri de aditivitate
• Scalabilitate pe seturi mari de date — ML exploatează eficient volumele mari de date din registrele clinice moderne, îmbunătățind calibrarea odată cu creșterea setului de antrenament
• Selecția automată a predictorilor — algoritmii de tip ensemble (gradient boosting, random forest) realizează selecție implicită a variabilelor, reducând riscul de supra-antrenare prin regularizare

Gradient Boosting Cox (varianta de supraviețuire a Gradient Boosting Machine) combină avantajele ML cu funcția de risc proporțional Cox, permițând predicții de supraviețuire în timp (nu doar clasificare binară) — o cerință critică pentru estimarea mortalității pe termen lung după AVC.

Design și metodologie

Studiu de cohortă retrospectivă cu validare externă prospectivă, desfășurat în Coreea de Sud. Cohortă de dezvoltare: 3.411 pacienți cu AVC ischemic acut din 2 spitale terțiare. Cohortă de validare externă: 502 pacienți cu AVC ischemic dintr-un centru cardiovascular secundar — un context de sănătate diferit față de centrele terțiare, testând robustețea modelului în condiții reale de îngrijire secundară. Au fost dezvoltate și comparate multiple modele de ML și DL, selectând modelul cu cea mai bună performanță prin validare încrucișată internă.

• Cohortă de dezvoltare — 3.411 pacienți din 2 spitale terțiare; 136 de decese înregistrate; date clinice de rutină la admitere utilizate ca predictori
• Cohortă de validare externă — 502 pacienți dintr-un centru cardiovascular secundar independent; 118 decese; validare în context de sănătate diferit (centru secundar vs. terțiar)
• Modele evaluate — multiple modele ML și DL; selectat cel mai performant (Gradient Boosting Cox Proportional Hazards) prin C-index în validare internă
• Comparator — scorul PREMISE (scor tradițional de predicție mortalitate post-AVC), aplicat pe aceeași cohortă de validare externă pentru comparație directă
• Importanța predictorilor — cuantificată prin valorile SHAP (SHapley Additive exPlanations) sau echivalent, pentru identificarea și interpretarea predictorilor cheie

Obiectivul primar a fost mortalitatea pe termen lung post-AVC ischemic (definită ca deces din orice cauză pe durata urmăririi), cuantificată prin C-index (statistica concordanță) — măsura standard a puterii discriminative a modelelor de supraviețuire.

Populația studiată

Populația eligibilă a inclus pacienți adulți cu AVC ischemic acut confirmat imagistic (CT sau IRM cerebral), internați consecutiv în cele 3 centre. Profilul pacienților cu AVC ischemic din Coreea de Sud reflectă tendințele globale: predominanță masculină (55-65%), vârstă mediană de 65-75 de ani, comorbidități frecvente incluzând hipertensiunea arterială (70-80%), fibrilația atrială (20-30%), diabetul zaharat tip 2 (25-35%) și boala coronariană ischemică (15-25%). Etiologia AVC-ului ischemic urmează clasificarea TOAST: cardioembolic, aterosclerotic de artere mari, de artere mici (lacunar), de altă cauză determinată și de cauză nedeterminată.

Numărul total de pacienți din cele 2 cohorte (3.411 + 502 = 3.913) este comparabil cu sau superior dimensiunilor din studiile care au derivat scorurile tradiționale de risc, furnizând putere statistică adecvată pentru antrenarea modelelor ML și pentru detectarea diferențelor de performanță față de scorurile tradiționale. Mortalitatea observată (136/3.411 = 4% în cohorta de dezvoltare, 118/502 = 23,5% în validare externă) sugerează că cohorta de validare includea o populație mai vârstnică sau mai severă, reflectând posibil caracteristicile distinctive ale unui centru cardiovascular secundar față de centrele terțiare universitare.

Intervenție și comparator

Studiul a comparat 2 abordări de predicție prognostică:

• Model Gradient Boosting Cox (ML) — antrenat pe datele din cohorta de dezvoltare (3.411 pacienți), utilizând variabile clinice de rutină disponibile la admitere; selectat ca cel mai performant model dintr-un set de modele ML și DL testate; cuantifică riscul relativ de deces la orice moment post-AVC
• Scorul tradițional PREMISE — scor prognostic validat anterior pentru predicția mortalității post-AVC; aplicat pe aceeași cohortă de validare externă (502 pacienți) ca referință de comparație; C-index de 0,783 în validarea externă

Predictori cheie incluși în model: vârsta (predictor cel mai puternic în modelul final), scorul NIHSS la admitere (scala de severitate neurologică, rangul 0-42), hemoglobina la admitere și alte variabile clinice de rutină (nu sunt detaliate complet în datele disponibile). Opțional, numărul de predictori a fost redus prin analiza de importanță, identificând un subset minim de variabile cu performanță similară modelului complet — criteriu de practicabilitate clinică.

Rezultate principale

Performanța Gradient Boosting Cox

Modelul Gradient Boosting Cox Proportional Hazards a demonstrat cea mai bună performanță predictivă din setul de modele ML și DL evaluate. În validarea internă (pe cohorta de dezvoltare), C-index=0,785. În validarea externă pe 502 pacienți din centrul cardiovascular secundar, C-index=0,845 — performanță superioară scorului PREMISE (C-index=0,783), cu o diferență de 0,062 puncte în C-index, clinic și statistic semnificativă pentru un model prognostic.

Predictori cheie și importanța lor

Analiza importanței predictorilor a identificat vârsta, scorul NIHSS la admitere și hemoglobina ca predictori principali — variabile disponibile de rutină la internare în orice unitate de stroke, fără necesitatea de teste suplimentare sau imagistică avansată. Aceasta reprezintă un avantaj practic față de scoruri care necesită date mai greu de obținut, susținând implementabilitatea clinică a modelului în contexte cu resurse limitate.

Rezultate secundare și limitări

Studiul nu a evaluat calibrarea modelului (concordanța între probabilitățile de deces prezise și mortalitatea observată), care este la fel de importantă ca discriminarea (C-index) pentru aplicabilitatea clinică a modelului. Limitările principale sunt:

• Design retrospectiv — datele clinice extrase din registre; calitatea datelor depinde de completitudinea documentației medicale; variabilele cu valori lipsă necesită imputare, cu posibil impact pe performanță
• Context unic național — studiul coreean; practica medicală, standardele de diagnostic și caracteristicile demografice ale populației cu AVC din Coreea pot diferi de cele europene sau nord-americane; validarea internațională este necesară
• Interpretabilitate limitată — modelele de tip ensemble (gradient boosting) sunt mai puțin interpretabile față de regresia logistică tradițională; importanța predictorilor prin metode SHAP oferă transparență parțială, dar mecanismele biologice subiacente rămân opace
• Absența calibrării — C-index-ul măsoară discriminarea, nu calibrarea; un model poate discrimina bine (C-index ridicat) dar supraevalua sau subevalua sistematic riscul absolut — limitare critică pentru utilizarea clinică individualizată
• Urmărire și obiective primare — durata exactă a urmăririi și definirea precisă a obiectivului primar (mortalitate de orice cauză vs. mortalitate cardiovasculară) nu sunt detaliate complet în datele disponibile

Concluzii și implicații practice

Modelul Gradient Boosting Cox dezvoltat și validat extern în această lucrare depășește performanța scorului tradițional PREMISE în predicția mortalității pe termen lung după AVC ischemic (C-index 0,845 vs. 0,783), utilizând exclusiv variabile clinice disponibile de rutină — vârstă, NIHSS, hemoglobină. Aceasta validează conceptual utilizarea ML în prognosticul post-AVC și deschide calea spre implementarea practică în unitățile de stroke ca instrument de stratificare a riscului.

Implicațiile clinice directe includ utilizarea modelului pentru identificarea pacienților cu risc înalt de deces care ar beneficia de urmărire mai intensivă, consiliere avansată privind scopul îngrijirii și direcționare spre programe de reabilitare proactivă sau îngrijire paliativă timpurie. Alocarea resurselor limitate de terapie intensivă și reabilitare post-AVC pe baza unui scor prognostic mai precis poate îmbunătăți raportul cost-eficiență al îngrijirii post-AVC la nivel populațional.

Pașii următori pentru validarea și implementarea modelului includ: validarea în cohorte din alte țări și contexte de sănătate (Europa, America de Nord), evaluarea calibrării și a performanței în sub-tipuri etiologice AVC (cardioembolic vs. lacunar vs. aterosclerotic de artere mari), compararea cu scoruri mai recente decât PREMISE și integrarea în sisteme informatice spitalicești pentru calcul automat la admitere. Studii prospective de implementare vor fi necesare pentru a demonstra că utilizarea modelului îmbunătățește efectiv deciziile clinice și rezultatele pacienților — nu doar performanța statistică.