Modelo de sobrevivência por aprendizado de máquina para prevenção personalizada de trombose relacionada a cateter em pacientes com tumor

Por que esta pesquisa importa para pacientes com câncer

Muitas pessoas com câncer dependem de tubos finos de plástico colocados em veias grandes para receber quimioterapia e outros tratamentos sem punções repetidas. Essas linhas centrais aumentam o conforto, mas também podem desencadear coágulos sanguíneos perigosos ao redor do cateter. Atualmente, os médicos têm poucas ferramentas confiáveis para julgar quais pacientes estão mais em risco ou quando é mais seguro remover o cateter. Este estudo apresenta um modelo orientado por dados que busca prever tanto quem provavelmente desenvolverá um coágulo relacionado ao cateter quanto quando esse risco é maior, para que o cuidado possa ser melhor ajustado a cada pessoa.

Um grande conjunto de informações do mundo real

Para construir sua ferramenta de predição, os pesquisadores reuniram dados de cateter de 30.947 adultos com câncer tratados em quatro hospitais na China. Todos tinham tumor maligno confirmado e pelo menos uma verificação por ultrassom após a inserção de uma linha central. Para cada colocação de cateter, a equipe coletou 47 características de linha de base, incluindo idade, sexo, índice de massa corporal, hábitos de fumar e consumo de álcool, condições prévias como hipertensão ou tromboses anteriores, tipo e estágio do tumor, detalhes sobre o próprio cateter e valores comuns de exames de sangue. Também registraram quais fármacos antineoplásicos e terapias alvo os pacientes receberam enquanto o cateter estava no lugar, e exatamente quanto tempo cada cateter permaneceu antes da remoção ou da ocorrência de um coágulo.

Treinando um modelo para acompanhar o risco ao longo do tempo

Em vez de fazer uma pergunta simples de sim ou não sobre se um coágulo ocorreria alguma vez, a equipe usou uma abordagem de modelagem de sobrevivência que inclui o tempo desde a inserção do cateter até a formação do coágulo ou a remoção do cateter. Vários modelos de sobrevivência por aprendizado de máquina foram treinados e comparados. O modelo final, chamado SM CRT, usa um método avançado de boosting para produzir dois tipos de saída para cada paciente: um escore único de risco que classifica as pessoas do menor ao maior risco geral, e uma curva completa que mostra como o risco de coágulo da pessoa sobe e desce dia a dia enquanto o cateter está em uso. O modelo foi ajustado e testado usando validação cruzada rigorosa e então avaliado em três coortes de teste independentes, incluindo uma que acompanhou pacientes ao longo do tempo, para reduzir a chance de que os resultados sejam devidos a sobreajuste.

Quem tem maior risco e quando o risco atinge o pico

O modelo SM CRT mostrou boa capacidade de separar pacientes que desenvolveriam tromboses relacionadas ao cateter daqueles que não desenvolveriam, com valores de concordância em torno de 0,7 em todas as coortes de teste. A análise revelou vários padrões claros de risco. Certos tipos de cateter, especialmente linhas inseridas femoralmente, foram associados a maior risco de coágulo, enquanto portas implantadas e algumas linhas de braço foram mais protetoras quando bem posicionadas. A localização do tumor também importou: cânceres na região torácica, como os próximos à veia cava superior onde muitos cateteres se situam, apresentaram maior risco do que tumores no abdome ou pelve, provavelmente devido à pressão local e a fatores de coagulação liberados perto da ponta do cateter. Entre os tratamentos, classes específicas de quimioterapia, particularmente agentes alquilantes como fármacos à base de platina, e drogas antiangiogênicas se destacaram como de alto risco, enquanto o estágio do tumor e muitos marcadores sanguíneos rotineiros foram menos informativos.

Transformando predições em decisões de temporização

Uma inovação chave deste trabalho é o uso da curva completa de risco ao longo do tempo em vez de apenas um escore único. Para cada paciente, o modelo estima uma curva de probabilidade que mostra a chance de um coágulo em cada dia após a inserção. Os pesquisadores suavizaram essas curvas e definiram uma janela pessoal de alto risco como os dias em que o risco previsto ultrapassava metade do valor máximo individual. Dias antes dessa janela foram rotulados como baixo risco e dias depois como risco a longo prazo. Ao comparar com desfechos do mundo real, cateteres removidos durante os períodos que o modelo definiu como baixo risco ou risco a longo prazo apresentaram muito menos eventos de trombose por dia de cateter do que aqueles removidos durante o período de alto risco previsto, mesmo após ajustar para diferenças entre pacientes. Combinar o escore de risco geral com as janelas temporais permitiu uma classificação detalhada que ajuda a distinguir pacientes que são consistentemente de alto risco daqueles cuja periculosidade é limitada a um curto intervalo temporal.

O que isso pode significar para o cuidado cotidiano

Para um leitor leigo, a mensagem principal é que os autores construíram uma ferramenta que não só estima a probabilidade de trombose relacionada a cateter para um dado paciente com câncer, como também indica quando esse risco é mais intenso. No futuro, se esse tipo de modelo for validado em ensaios intervencionais e integrado ao fluxo de trabalho clínico, os médicos poderão usá-lo para escolher o tipo de cateter mais seguro, agendar exames de ultrassom focalizados durante os dias de alto risco previstos, ajustar medicamentos anticoagulantes ou planejar remoções antecipadas do cateter quando o risco aumentar. Embora sejam necessários mais testes antes que possa orientar a prática rotineira, este estudo mostra que modelos de sobrevivência por aprendizado de máquina podem traduzir grandes conjuntos de dados hospitalares em insights práticos e sensíveis ao tempo que podem ajudar a reduzir complicações para pessoas em tratamento do câncer.

Citação: Ge, H., Liu, Q., Xie, J. et al. Machine learning survival model for personalised prevention of catheter-related thrombosis in tumour patients. Commun Med 6, 304 (2026). https://doi.org/10.1038/s43856-026-01561-2

Palavras-chave: trombose de cateter, pacientes com câncer, aprendizado de máquina, predição de risco, cateter venoso central