Previsão de trajetórias de sintomas após cirurgia toracoscópica de câncer de pulmão usando um modelo interpretável de aprendizado de máquina

A cirurgia toracoscópica do câncer de pulmão é uma abordagem amplamente utilizada para o tratamento do câncer de pulmão precoce e localmente avançado. Apesar das vantagens da cirurgia toracoscópica, como invasão mínima e recuperação rápida, os pacientes ainda sofrem com uma variedade de sintomas como dor, falta de ar, distúrbios do sono ou fadiga após a cirurgia, o que afeta gravemente a qualidade de vida. No entanto, faltam ferramentas preditivas validadas para identificar pacientes potencialmente de alto risco. Prevê-se que este estudo inclua aproximadamente 1.500 pacientes com câncer de pulmão submetidos à cirurgia toracoscópica. Os pacientes são convidados a preencher o módulo MD Anderson Symptom Inventory-Lung Cancer após cirurgia toracoscópica. Os sintomas de interesse incluem dor, falta de ar, distúrbios do sono e fadiga. Sintomas moderados a graves foram definidos como uma pontuação ≥ 4. A modelagem mista de classes latentes (LCMM), uma técnica de agrupamento, pode identificar subgrupos de pacientes com trajetórias de sintomas semelhantes com base em dados longitudinais de resultados relatados pelo paciente (PRO). Modelos de aprendizado de máquina foram desenvolvidos para prever trajetórias de sintomas pós-operatórios com base em informações coletadas, incluindo informações demográficas e clínicas, e dados operatórios. Os modelos de aprendizado de máquina incluem principalmente Random Forest, Support Vector Machines, Neural Networks, XGBoost, etc. O modelo mais apropriado é selecionado e a interpretação do modelo é realizada utilizando o método SHAP. A previsão eficaz dos sintomas pós-operatórios pode ajudar a identificar pacientes de alto risco e a tomar medidas preventivas.