Predição de Infeção Pós-Cirúrgica em Metástases Vertebrais com Inteligência Artificial

A infeção do local cirúrgico (ILC) constitui uma das complicações mais relevantes nas cirurgias por metastização vertebral, com impacto direto na sobrevivência e na qualidade de vida. Apesar da complexidade da doença metastática da coluna e da heterogeneidade dos doentes, faltavam até agora modelos robustos para estratificar o risco de infeção pós-operatória. O estudo multicêntrico de Cui et al.¹ apresenta uma solução baseada em inteligência artificial (IA), desenvolvendo e validando um modelo preditivo de ILC em doentes submetidos a cirurgia descompressiva por metastização espinhal.

A coorte incluiu 667 doentes tratados entre 2013 e 2024 em três hospitais de referência. Deste total, 485 constituíram a coorte de derivação (dividida em 8:2 para treino e validação interna) e 182 a coorte de validação externa. A incidência de ILC foi de 6,4% no conjunto de derivação e 7,7% na validação externa, valores consistentes com a literatura. As variáveis mais relevantes incluíram tipo de tumor, tempo cirúrgico, número de comorbilidades, diabetes, tabagismo, metástases viscerais e número de segmentos operados.

Foram comparados seis algoritmos, a saber: Logistic Regression, Support Vector Machine, Neural Network, Gradient Boosting Machine (GBM), K-Nearest Neighbour e Decision Tree. O modelo GBM demonstrou desempenho superior, com AUC de 0,986 (IC95%: 0,972–1,000), precisão de 0,967, recall de 0,967 e F1-score de 0,967, superando todas as abordagens tradicionais e unimodais. Na validação externa, o desempenho manteve-se robusto (AUC = 0,848; IC95%: 0,806–0,890), confirmando a generalização do modelo a diferentes populações clínicas.

Entre os preditores mais influentes, o tempo cirúrgico, o tipo de tumor e o número de comorbilidades emergiram como determinantes primários. Curiosamente, o risco aumentava exponencialmente com cirurgias superiores a três níveis vertebrais e com maior carga comórbida. O modelo apresentou ainda elevada estabilidade em análises de subgrupos: diabéticos (AUC 0,816), não diabéticos (0,858) e portadores de metástases viscerais (0,870). Tal consistência confirma a robustez intercoorte e a validade clínica transversal do modelo.

A calibração foi favorável (Brier score 0,033; log loss 0,137), e a decision curve analysis demonstrou benefício clínico líquido significativo em múltiplos limiares de risco. Em comparação direta, a IA superou claramente o julgamento de cinco cirurgiões de coluna experientes (AUC 0,986 vs. 0,572–0,627; p < 0,001), reforçando o potencial da IA em estratificação objetiva de risco. Referir ainda que a aplicação foi disponibilizada online, permitindo introduzir dados clínicos e obter avaliações de risco em tempo real, acompanhadas de relatórios explicativos personalizados com base nos valores de SHAP.

Este estudo destaca a vantagem das abordagens ensemble, em especial o gradient boosting, pela sua capacidade de tratar conjuntos desbalanceados e capturar interações não lineares entre preditores clínicos. A estratégia de pré-processamento combinou imputação mista, normalização e correção de desbalanceamento via SMOTETomek, assegurando a integridade da distribuição de classes e evitando overfitting. A pipeline metodológica seguiu rigorosamente as normas TRIPOD e STROCSS, com transparência reprodutível através de código aberto.

Do ponto de vista clínico, a tradução prática desta ferramenta é evidente. A plataforma permite classificar doentes em grupos de baixo e alto risco (limiar ótimo: 40,1%), recomendando intervenções profiláticas adaptadas, desde otimização metabólica e vigilância intensiva até antibioticoprofilaxia ajustada e técnicas minimamente invasivas. Para o cirurgião oncológico, o valor da IA reside na sua capacidade de integrar dados dispersos (biológicos, cirúrgicos e sistémicos) numa previsão quantitativa única, mitigando o erro heurístico e promovendo decisões cirúrgicas personalizadas.

Contudo, a ausência de fatores intraoperatórios detalhados (como perda hemática) e o horizonte temporal de 30 dias podem subestimar infeções tardias, o que se apresenta como uma limitação. Em acréscimo, a necessidade de treino e integração em fluxos hospitalares permanece um desafio, exigindo interfaces interoperáveis e literacia digital clínica. Ainda assim, o desempenho observado (AUC > 0,8 em validações independentes) legitima o modelo como referência para integração clínica supervisionada.

¹ Cui Y, Shi X, Wang Q, et al. Artificial intelligence-based prediction model for surgical site infection in metastatic spinal disease: a multicenter development and validation study. Int J Surg. 2025;111:6867–6884.

Artigo relacionado

Modelos de Previsão de Risco de AVC com Paridade Racial