IA Supera Modelos Tradicionais na Previsão do Risco de Doenças Cardíacas em Adultos Chineses
Um modelo de aprendizado profundo baseado em transformers prevê o risco cardiovascular em 10 anos com maior precisão do que modelos de Cox e escores de risco estabelecidos em adultos chineses.
Resumo
Pesquisadores desenvolveram o China-AIHeart, um modelo de IA específico por sexo que utiliza arquitetura de aprendizado profundo transformer para prever o risco de doenças cardiovasculares em um período de 10 anos em adultos chineses. Treinado com quase 157.000 participantes e validado em duas coortes independentes, o modelo superou abordagens estatísticas tradicionais e calculadoras de risco existentes, incluindo China-PAR, PREVENT-ASCVD e SCORE2 Asia-Pacific. Ele alcançou estatísticas C acima de 0,76 tanto para homens quanto para mulheres, com forte calibração e benefício clínico líquido. O modelo está disponível em uma versão completa com 22 preditores e uma versão simplificada com 15 preditores, tornando-o prático para uso clínico no mundo real. Este avanço pode melhorar significativamente a estratificação do risco cardiovascular para uma das maiores populações do mundo.
Resumo Detalhado
A doença cardiovascular continua sendo a principal causa de morte no mundo, e a previsão precisa do risco é essencial para intervenção precoce. Em populações chinesas, calculadoras de risco ocidentais amplamente utilizadas frequentemente apresentam desempenho insatisfatório devido a diferenças genéticas, de estilo de vida e de padrões de doenças. Modelos estatísticos tradicionais, como o de riscos proporcionais de Cox, também apresentam limitações estruturais ao lidar com interações complexas e não lineares entre fatores de risco.
Pesquisadores da Universidade Jiao Tong de Xangai e instituições colaboradoras em toda a China desenvolveram o China-AIHeart, um modelo de aprendizado profundo baseado em transformador, projetado especificamente para a previsão do risco de doenças cardiovasculares (DCV) em 10 anos em adultos chineses. A coorte de derivação foi composta por 156.790 participantes do China Cardiometabolic Disease and Cancer Cohort, todos sem DCV no momento da inclusão, com idade média de aproximadamente 57 anos. Modelos separados foram desenvolvidos para homens e mulheres, utilizando 22 ou 15 preditores clínicos.
O China-AIHeart demonstrou forte discriminação, com C-statistics de 0,767 em homens e 0,780 em mulheres — resultados significativamente superiores aos dos modelos de Cox com preditores idênticos (melhoria de aproximadamente 0,027–0,031). Os índices de reclassificação líquida foram substanciais: 0,478 em homens e 0,560 em mulheres, indicando que o modelo de IA realocou corretamente uma proporção significativa de pacientes para categorias de risco mais precisas. A validação externa nas coortes de Xinjiang e CHARLS confirmou robusta generalização para diversas populações chinesas.
Para os clínicos, isso significa que uma ferramenta prática baseada em IA poderá em breve auxiliar na identificação de pacientes de alto risco que poderiam passar despercebidos pelos sistemas de pontuação convencionais. A versão simplificada com 15 preditores é particularmente aplicável em ambientes de atenção primária à saúde, onde a realização de exames extensivos não está disponível.
As ressalvas incluem o fato de que o resumo é baseado apenas no abstract, o que limita a avaliação dos detalhes dos preditores, do tratamento de dados ausentes e da duração do seguimento. Além disso, os resultados se aplicam especificamente a adultos chineses e podem não ser generalizáveis para outras populações étnicas sem validação adicional.
Principais Descobertas
- China-AIHeart achieved C-statistics of 0.767 (men) and 0.780 (women), outperforming all tested traditional risk scores.
- The AI model improved reclassification by 0.478 in men and 0.560 in women over Cox models with identical predictors.
- External validation in two independent Chinese cohorts confirmed robust performance, including a simplified 15-predictor version.
- Sex-specific models were developed separately for men and women, improving accuracy and clinical relevance.
- A simplified 15-predictor version maintained strong performance, making the tool viable for routine clinical settings.
Metodologia
O estudo utilizou uma coorte de derivação composta por 156.790 adultos chineses do China Cardiometabolic Disease and Cancer Cohort, com validação externa na coorte de Xinjiang e na coorte CHARLS. Modelos de predição de tempo até o evento baseados em Transformer foram construídos com 22 e 15 preditores e comparados a modelos de Cox e escores de risco estabelecidos, incluindo China-PAR, PREVENT-ASCVD e SCORE2 Asia-Pacific. O desempenho foi avaliado por meio da estatística C, qui-quadrado de calibração, escore de Brier e índice de reclassificação líquida.
Limitações do Estudo
Este resumo é baseado apenas no abstract, portanto detalhes sobre a seleção de preditores, tratamento de dados ausentes, duração do acompanhamento e implementação dos modelos não estão disponíveis. Os modelos foram validados exclusivamente em populações chinesas e podem não ser generalizáveis para outros grupos étnicos sem estudos adicionais. Por se tratar de um estudo retrospectivo de desenvolvimento e validação, ensaios clínicos prospectivos de impacto ainda são necessários.
Gostou deste resumo?
Receba as pesquisas de longevidade mais recentes na sua caixa de entrada toda semana.
Digite seu e-mail para assinar: