Uso de algoritmos de aprendizado de máquina para prever MACE em pacientes em diálise peritoneal

Por que isso importa para quem faz diálise em casa

Para muitas pessoas com insuficiência renal, a diálise peritoneal oferece a liberdade de se tratar em casa em vez de ir a uma clínica. Ainda assim, esses pacientes enfrentam alto risco de problemas sérios do coração e dos vasos sanguíneos, como infartos e acidentes vasculares cerebrais. Este estudo faz uma pergunta prática com consequências reais: podemos usar técnicas computacionais modernas para identificar, desde cedo, quais pacientes em diálise peritoneal têm maior probabilidade de sofrer um grande problema cardiovascular, para que os médicos possam intervir antes que ocorra um desastre?

Quem foi estudado e o que foi medido

Os pesquisadores revisaram prontuários de 1.006 adultos que iniciaram diálise peritoneal em dois hospitais na China entre 2010 e 2016. Todos os pacientes haviam recebido esse tratamento por pelo menos três meses. No início da diálise, a equipe coletou 86 informações para cada pessoa, incluindo idade, outras doenças como diabetes ou insuficiência cardíaca, pressão arterial, exames laboratoriais, resultados de ecocardiograma e medicações. Em seguida, todos foram acompanhados por até cerca de dez anos para ver quem apresentou um evento cardíaco ou cerebrovascular maior, um conjunto de problemas que os autores chamam de “MACE”, incluindo infarto do miocárdio, dor torácica grave, AVC, parada cardíaca, internações por insuficiência cardíaca ou arritmias perigosas, e morte por qualquer causa.

Previsão mais inteligente com aprendizado de máquina

Em vez de depender apenas de estatística tradicional, a equipe recorreu a três abordagens de aprendizado de máquina capazes de revelar padrões complexos em grandes conjuntos de dados: Random Forest, XGBoost e AdaBoost. Eles dividiram os dados em grupos para treinar os modelos, testá-los e depois verificar o desempenho em pacientes de um hospital separado. O objetivo foi avaliar quão bem cada abordagem poderia prever quem sofreria um evento maior em qualquer momento, no primeiro ano e nos primeiros cinco anos após o início da diálise peritoneal. A força de um modelo foi avaliada usando uma métrica padrão chamada área sob a curva (AUC), em que um valor mais próximo de 1,0 indica melhor discriminação entre pacientes de alto e baixo risco.

O que os modelos aprenderam sobre risco

Ao longo de todo o período de seguimento, 409 dos 606 pacientes no grupo principal de desenvolvimento tiveram um evento maior. Para prever esses eventos globais, o método Random Forest foi o melhor, com AUC de cerca de 0,80, o que significa que ele conseguia distinguir corretamente pacientes de maior e menor risco na maior parte das vezes. Nessa visão de longo prazo, os sinais mais influentes foram os níveis de hormônio da paratireoide, um marcador relacionado à saúde óssea e vascular, histórico de insuficiência cardíaca congestiva e idade. Quando o foco se restringiu a eventos no primeiro ano, apenas 114 pacientes foram afetados, e o XGBoost se destacou com AUC de 0,86. Aqui, o colesterol “bom” (HDL), a idade e os níveis de cálcio no sangue sobressaíram. No horizonte de cinco anos, o Random Forest novamente teve o melhor desempenho, e idade, creatinina sérica e taxa de filtração renal estimada — indicadores da função renal remanescente e da adequação dialítica — emergiram como os mais relevantes.

Verificando confiabilidade e desempenho no mundo real

Para garantir que esses resultados não fossem um acaso, os autores compararam suas ferramentas de aprendizado de máquina com um método de tempo até o evento mais familiar, a regressão de Cox, e testaram tudo em um grupo separado de 400 pacientes de outro hospital. Os fatores de risco principais identificados pelos métodos mais novos corresponderam de perto aos encontrados pela análise tradicional, mas os modelos de aprendizado de máquina de modo geral fizeram um trabalho melhor ao classificar os pacientes por risco. No grupo externo do hospital, o modelo principal ainda teve bom desempenho, classificando corretamente os desfechos em aproximadamente sete de cada dez pacientes. O estudo também destacou a importância de outros fatores interligados — como carga global de comorbidades, peso corporal, lipídios sanguíneos, albumina (um marcador nutricional), volume de urina e pressão arterial — que, em conjunto, moldam o risco cardíaco nessa população vulnerável.

O que isso significa para pacientes e equipes de cuidado

Os autores concluem que ferramentas de aprendizado de máquina bem projetadas podem ajudar os médicos a estimar, no início da diálise peritoneal, quais pacientes enfrentam probabilidades especialmente altas de problemas cardíacos e vasculares nos anos seguintes. A idade foi um fator constante, mas vários elementos ligados ao equilíbrio mineral, lipídios sanguíneos, adequação da diálise e estado geral de saúde também tiveram papel importante — e muitos desses podem ser monitorados e tratados. Embora o estudo seja retrospectivo e precise de confirmação em trabalhos prospectivos futuros, ele aponta para um futuro em que o cuidado da diálise domiciliar é guiado por algoritmos discretos que sinalizam cedo os pacientes em risco, permitindo intervenções direcionadas para prolongar a vida e reduzir internações.

Citação: Xu, L., Zhang, Y., Abbas Al-Janabi, A.A. et al. Using machine learning algorithms to predict MACE in peritoneal dialysis patients. Sci Rep 16, 10553 (2026). https://doi.org/10.1038/s41598-026-45362-y

Palavras-chave: diálise peritoneal, risco cardiovascular, aprendizado de máquina, insuficiência renal, previsão de risco