Estudo brasileiro com mais de 10 mil pacientes comparou sete modelos de aprendizado de máquina e identificou déficit motor em perna e pé como principal fator associado à recuperação funcional em seis meses

Um estudo brasileiro publicado nos Arquivos Brasileiros de Neurocirurgia avaliou sete modelos de aprendizado de máquina para prever a recuperação funcional seis meses após um acidente vascular cerebral (AVC) isquêmico. Apesar do potencial da inteligência artificial na análise prognóstica, os resultados mostraram capacidade discriminativa apenas modesta e não demonstraram vantagem consistente dos algoritmos mais complexos sobre a regressão logística tradicional.

A pesquisa analisou 10.016 pacientes com AVC isquêmico confirmado provenientes do International Stroke Trial (IST). A base original reuniu 19.435 pacientes em 467 hospitais de 36 países entre 1991 e 1996. Na coorte analisada, 2.813 pacientes (28,1%) apresentaram recuperação funcional completa aos seis meses, enquanto 7.203 (71,9%) não atingiram esse desfecho.

Regressão logística acompanha modelos mais sofisticados

Foram comparados regressão logística, Random Forest, máquina de vetores de suporte (SVM), Stochastic Gradient Descent, XGBoost, Gradient Boosting e Multilayer Perceptron. Na análise sem reamostragem, a regressão logística apresentou o melhor desempenho, com AUC-ROC de 0,647 (IC95%: 0,636–0,658), seguida pelo Multilayer Perceptron, com 0,646. Em todos os modelos, a capacidade discriminativa foi considerada modesta.

As estratégias utilizadas para corrigir o desequilíbrio entre as classes alteraram principalmente a relação entre sensibilidade e especificidade, sem melhorar substancialmente a capacidade discriminativa. O XGBoost associado ao SMOTE-Tomek alcançou a maior sensibilidade, de 0,677, mas com especificidade de apenas 0,493. Já o SVM com Tomek Links apresentou a maior especificidade, de 0,740, às custas de sensibilidade de 0,428.

Déficit motor foi o principal preditor

A análise por valores SHAP identificou o déficit motor de perna e pé como o fator de maior importância preditiva em todas as configurações avaliadas. O subtipo do AVC, a hemianopsia, a idade e a disfasia também apareceram consistentemente entre os principais preditores de recuperação funcional.

A classificação do AVC mostrou diferenças importantes no prognóstico. A recuperação ocorreu em 34,5% dos pacientes com POCS, 29,2% com LACS, 27,8% com PACS e apenas 13,6% daqueles classificados como TACS. Os autores destacam que os achados reforçam a relevância dos déficits neurológicos presentes na admissão, particularmente aqueles relacionados à mobilidade, visão e linguagem.

Banco histórico limita aplicação clínica

Os pesquisadores ressaltam que os resultados precisam ser interpretados considerando as limitações da base utilizada. O IST foi conduzido antes da incorporação disseminada da trombólise, da trombectomia mecânica e do atual modelo de atendimento em unidades de AVC. Além disso, o banco não dispõe de variáveis atualmente importantes para prognóstico, como NIHSS, volume do infarto, parâmetros de perfusão e circulação colateral.

Para os autores, modelos futuros devem incorporar dados clínicos contemporâneos, gravidade do AVC, biomarcadores de imagem, informações sobre tratamento e medidas mais detalhadas de desfecho. A integração desses dados, associada a modelos capazes de incorporar a resposta precoce ao tratamento e a trajetória de recuperação, pode ampliar a precisão prognóstica.

O estudo conclui que modelos de aprendizado de máquina baseados apenas em variáveis clínicas disponíveis na admissão apresentam capacidade limitada para prever recuperação funcional após AVC isquêmico. Nesse cenário, a regressão logística manteve desempenho comparável ao de algoritmos mais sofisticados, reforçando que maior complexidade não implica, necessariamente, maior capacidade prognóstica.