Um grupo de investigadores desenvolveu um modelo computacional capaz de estimar um parâmetro crítico para a avaliação de candidatos a transplante cardíaco, o pico de consumo de oxigénio (VO2), sem recorrer a testes de esforço. A investigação, publicada na revista Cardiovascular Innovations and Applications, analisou retrospetivamente os dados de 524 candidatos a transplante, todos eles com insuficiência cardíaca avançada.

A equipa, que inclui Barkin Kultursay, Murat Karacam e Seda Tanyeri Uzel, entre outros, partiu de um vasto conjunto de 55 variáveis clínicas, desde dados laboratoriais a ecocardiográficos e hemodinâmicos. O método Boruta foi utilizado para filtrar as variáveis mais relevantes, um processo que destilou a informação essencial para alimentar os algoritmos de machine learning.

Foram construídos dois modelos principais: um mais abrangente, com 17 parâmetros, e outro simplificado, que funciona com apenas sete. A performance do modelo Extreme Gradient Boosting no primeiro cenário revelou-se a mais sólida, com um erro médio quadrático de 2.44. Já para o modelo simplificado, as árvores de decisão com gradiente boosting foram as que apresentaram resultados mais equilibrados, ainda que com uma margem de erro naturalmente mais alargada.

Entre os preditores que a máquina identificou como fundamentais para a previsão do pico de VO2 destacam-se a relação TAPSE/PASP – um indicador da função ventricular direita –, a saturação de oxigénio no sangue venoso misto, o proBNP (um marcador de stress cardíaco), a idade do doente, os níveis de hemoglobina, a resistência vascular pulmonar e o índice de massa corporal. A análise de valores SHAP permitiu compreender o peso específico de cada uma destas características no cálculo final.

A implicação prática é clara: para um número significativo de doentes cuja condição física não permite a realização de uma prova de esforço máxima com medição gasosa, esta ferramenta oferece uma alternativa viável. Não se trata de substituir o padrão-ouro, mas de fornecer uma estimativa clinicamente útil quando a opção convencional está fora de alcance. O modelo promete assim auxiliar nas complexas decisões sobre a listagem para transplante, baseando-se em informação clínica de rotina.

Referência: O artigo completo, “A Machine Learning Approach to Non-Exercise Prediction of Peak VO2 in Advanced Heart Failure”, está disponível para leitura em https://www.scienceopen.com/hosted-document?doi=10.15212/CVIA.2025.0024.

NR/HN/AlphaGalileo