Prevendo o risco de DPOC de início precoce em adultos de 20 a 50 anos usando registros eletrônicos de saúde e aprendizado de máquina

A doença pulmonar obstrutiva crônica (DPOC) é uma grande preocupação de saúde pública, afetando cerca de 164 milhões de pessoas em todo o mundo. A detecção precoce e as estratégias de intervenção são essenciais para reduzir o impacto da DPOC, mas as abordagens de triagem atuais são limitadas em sua capacidade de prever o risco com precisão. Modelos de aprendizado de máquina (ML) oferecem uma promessa para melhorar a precisão da previsão de risco de DPOC ao combinar dados genéticos e informações de registros médicos eletrônicos. Neste estudo, desenvolvemos e avaliamos oito modelos de ML para triagem primária da DPOC utilizando dados de triagem rotineira, escores de risco poligênico (PRS), dados clínicos adicionais, ou uma combinação de todos os três. Para avaliar nossos modelos, realizamos uma análise retrospectiva de aproximadamente 329.396 pacientes na base de dados do UK Biobank. Incorporar informações pessoais e resultados de testes bioquímicos sanguíneos melhorou significativamente a precisão do modelo na previsão de risco de DPOC, alcançando um desempenho máximo de 0,8505 AUC, uma especificidade de 0,8539 e uma sensibilidade de 0,7584. Esses resultados indicam que modelos de ML podem ser utilizados efetivamente para previsão precisa do risco de DPOC em indivíduos de 20 a 50 anos, fornecendo uma ferramenta valiosa para detecção e intervenção precoces.