Modele de predicție a riscului de AVC — performanță moderată la scară globală

Context și relevanță clinică

Accidentul vascular cerebral (AVC) reprezintă a doua cauză de deces la nivel mondial și prima cauză de invaliditate de lungă durată, cu aproximativ 12,2 milioane de noi cazuri anual și 6,5 milioane de decese asociate. Povara globală a AVC a crescut semnificativ în ultimele decenii, în parte ca urmare a îmbătrânirii populației, a creșterii prevalenței factorilor de risc cardiovascular (hipertensiunea arterială, diabetul zaharat, fibrilația atrială, obezitatea, sedentarismul) și a urbanizării rapide în țările cu venituri mici și medii. În România, AVC-ul este o cauză majoră de deces și de invaliditate, cu una dintre cele mai ridicate rate de mortalitate prin AVC din Uniunea Europeană — de aproape 3 ori mai mare față de media UE.

Prevenția primară a AVC rămâne prioritatea strategică principală, iar identificarea timpurie a persoanelor cu risc crescut este esențială pentru inițierea intervențiilor preventive eficiente. Modelele de predicție a riscului de AVC (scoruri de risc) au fost dezvoltate pentru a cuantifica riscul individual al unui pacient de a suferi un AVC în orizonturi de timp definite (5, 10 sau mai mulți ani), ghidând deciziile clinice privind intensificarea controlului factorilor de risc, inițierea anticoagulantelor la pacienții cu fibrilație atrială sau modificări ale stilului de viață. Cel mai utilizat model la scară globală rămâne scorul CHA₂DS₂-VASc pentru predicția riscului embolic în fibrilația atrială, dar există și numeroase modele pentru predicția AVC în populația generală, derivate din cohorte epidemiologice majore precum Framingham Heart Study, SCORE2, QRISK sau modelele asiatice specifice (China PAR, Korea NHIS).

Cu toate acestea, performanța reală a acestor modele în populații diferite de cele în care au fost dezvoltate — mai ales în regiunile cu cel mai mare număr de cazuri de AVC (Africa Subsahariană, Asia de Sud-Est, America Latină) — este insuficient caracterizată. Această lacună de evidență este critică: un model cu putere discriminativă bună în Statele Unite sau Europa de Vest ar putea funcționa slab în populații cu profile de risc radical diferite, structuri demografice distincte sau acces diferit la tratament. Meta-analiza de față reprezintă primul efort sistematic de sinteză a performanței comparative a modelelor de predicție a riscului de AVC la nivel global, cuprinzând populații din 3 regiuni geografice majore.

Design și metodologie

Meta-analiză sistematică și meta-analiză a performanței predictive a modelelor de risc de AVC. Căutarea sistematică a acoperit PubMed, EMBASE și Web of Science, de la primele înregistrări disponibile până în februarie 2022, fără restricție de limbă. Calitatea metodologică a studiilor eligibile a fost evaluată cu instrumentul PROBAST (Prediction Model Risk of Bias Assessment Tool), conceput specific pentru evaluarea riscului de eroare sistematică în studiile de predicție. Performanța discriminativă a modelelor a fost estimată prin meta-analizarea statisticii C (echivalentul ariei de sub curba ROC, AUC) utilizând un model cu efecte aleatoare cu estimare prin maximum de verosimilitate restricționat (REML) — metodă robustă pentru date cu eterogenitate ridicată.

• PubMed, EMBASE, Web of Science — căutare sistematică de la prima înregistrare până în februarie 2022; nu au fost excluse studii după dată sau limbă.
• Tipuri de studii incluse — studii de cohortă prospective (n=15) și studii de cohortă prospective cuibărite (nested case-control, n=2) care raportau C-statistici pentru modele de predicție a riscului de AVC.
• Instrumente de calitate — evaluarea riscului de eroare sistematică cu PROBAST; meta-analiză cu model cu efecte aleatoare (REML); analize de subgrup după regiune geografică și tip de studiu.

Populația studiată

Meta-analiza a sintetizat date din 17 articole eligibile, cuprinzând în total 6.396.594 de participanți și 739.134 de cazuri de AVC. Studiile proveneau din 3 regiuni geografice majore: Asia (n=8 studii), Statele Unite (n=3) și Europa și Marea Britanie (n=6). Distribuția geografică a studiilor reflectă inerent disponibilitatea de cohorte epidemiologice mari cu date de calitate suficientă pentru derivarea și validarea modelelor de predicție — cohorte care există predominant în țările cu venituri ridicate și în anumite țări asiatice cu sisteme de sănătate bine organizate (Japonia, Coreea de Sud, China).

Absența notabilă a studiilor din Africa Subsahariană, America Latină și Asia de Sud — regiuni cu povară mare de AVC și profile de risc distincte — reprezintă o lacună majoră evidențiată explicit în meta-analiză. Caracteristicile demografice și profilurile de risc ale populațiilor studiate variază considerabil: în studiile asiatice, hipertensiunea arterială joacă un rol ponderat mai mare în predicția AVC comparativ cu studiile europene sau americane, unde diabetul zaharat și fibrilația atrială au pondere relativă mai ridicată. Aceste diferențe explică în parte variația performanței predictive a modelelor în diferite regiuni.

Intervenție și comparator

Meta-analiza nu a evaluat o intervenție terapeutică, ci a sintetizat performanța predictivă a diverselor modele de scoruri de risc de AVC. Fiecare model de predicție include un set de predictori (variabile demografice și clinice) și o metodă statistică (regresie logistică, regresie Cox, modele de risc competitiv) pentru estimarea probabilității individuale de AVC într-un orizont de timp specific. Modelele evaluate proveneau din cohorte diferite și includ predictori variabili, dar cei mai frecvent incluși sunt:

• Factori demografici — vârsta, sexul, rasa/etnia; vârsta este cel mai puternic predictor individual de risc de AVC în toate modelele evaluate.
• Factori de risc vasculari — tensiunea arterială sistolică, tratamentul antihipertensiv, diabetul zaharat, fumatul, fibrilația atrială; acești factori apar în aproape toate modelele validate.
• Factori metabolici și comportamentali — colesterolul LDL și HDL, indicele de masă corporală, activitatea fizică, consumul de alcool; incluși variabil în diferite modele regionale.
• Factori specifici regionali — modelele asiatice includ uneori antecedente familiale de AVC, consumul de sare sau factori antropometrici specifici populațiilor din Asia de Est.

Rezultate principale

Performanța discriminativă globală

C-statistica agregată globală a modelelor de predicție a riscului de AVC a fost de 0,78 (IC 95%: 0,75-0,80; I²=99,9%), indicând o discriminare moderată între persoanele care vor și cele care nu vor suferi un AVC. O C-statistică de 0,78 înseamnă că, atunci când se compară aleator un individ care va face AVC cu unul care nu va face, modelul plasează corect persoana cu risc mai mare în 78% din cazuri — mai bine decât întâmplarea (50%), dar cu o marjă semnificativă față de discriminarea perfectă (100%). Eterogenitatea extrem de mare (I²=99,9%) sugerează că performanța modelelor variază foarte mult între studii, limitând generalizabilitatea estimării globale.

Variație regională a performanței

Analiza de subgrup după regiune geografică a revelat diferențe notabile: Asia 0,81 (IC 95%: 0,79-0,83; I²=99,8%), Europa și Marea Britanie 0,76 (IC 95%: 0,69-0,83; I²=99,9%) și Statele Unite 0,75 (IC 95%: 0,72-0,78; I²=73,5%). Performanța superioară în Asia ar putea reflecta omogenitate mai mare a populațiilor studiate, dominanța unui singur factor de risc puternic (hipertensiunea arterială) sau selectivitatea cohortelor folosite pentru derivare/validare. Diferența relativ mică între regiuni (0,75-0,81) sugerează că modelele capturează predictori comuni cu putere moderată în toate regiunile, dar niciuna nu a atins discriminarea excelentă (C-statistică >0,85) dezirabilă pentru un instrument de screening populațional.

Rezultate secundare și limitări

Evaluarea calibrării modelelor (adică dacă riscul prezis corespunde cu frecvența observată a AVC) nu a putut fi sintetizată riguros din cauza raportării incomplete a statisticilor de calibrare în studiile originale. Calibrarea este la fel de importantă ca discriminarea pentru aplicabilitatea clinică a unui model de predicție: un model bine calibrat pentru o populație de risc mediu poate subestima sau supraestima riscul la categoriile extreme (risc foarte scăzut sau foarte ridicat). Absența raportării sistematice a calibrării reprezintă o lacună metodologică importantă în domeniu.

Eterogenitatea extrem de ridicată (I²=99,9%) sugerează că factorii care influențează performanța modelelor (populație țintă, prevalența AVC, predictori incluși, orizontul de timp) variază masiv între studii, limitând semnificativ capacitatea de sinteză. Meta-analiza nu a putut efectua comparații directe între modele specifice (de exemplu Framingham față de QRISK față de China PAR), deoarece aceasta ar necesita date individuale la nivel de pacient (IPD) — o limitare a abordării prin meta-analiză pe date agregate. Riscul de eroare sistematică de publicare nu poate fi exclus, studiile cu modele mai performante sau cohorte mai mari fiind mai frecvent publicate. Absența studiilor din Africa, America Latină și Asia de Sud limitează generalizabilitatea la populațiile cu cel mai mare deficit de validare externă.

Concluzii și implicații practice

Meta-analiza sistematică demonstrează că modelele actuale de predicție a riscului de AVC oferă o putere discriminativă moderată (C-statistic 0,78) și sunt insuficient validate în populații independente din diverse regiuni geografice, în special din țările cu venituri mici și medii. Implicațiile practice sunt semnificative pentru medicina preventivă: la nivel clinic, utilizatorii modelelor de risc trebuie să fie conștienți că niciun model nu are precizie suficientă pentru a clasifica individual un pacient ca „va face AVC" sau „nu va face AVC" — modelele orientează probabilitățile, nu garantează predicții individuale. La nivel populațional, este necesară derivarea și validarea unor modele de predicție regionale robuste, adaptate specificului demografic și epidemiologic al fiecărei populații, cu includerea predictorilor relevanți local. Investițiile în cohorte epidemiologice mari din Africa, America Latină și Asia de Sud, combinate cu tehnici moderne de modelare (machine learning, modele de risc dinamic cu actualizare biomarkeri), reprezintă direcțiile prioritare pentru îmbunătățirea predicției AVC la nivel global. Adoptarea standardelor TRIPOD pentru raportarea studiilor de predicție ar facilita și sintezele sistematice ulterioare.