Aprendizado de Máquina Não Supervisionado Revela Novos Fenótipos de Pacientes com Lesão Cerebral Traumática com Perfis de Lesão Aguda Distintos e Resultados a Longo Prazo

A heterogeneidade da lesão cerebral traumática (LCT) continua sendo um desafio central para o sucesso de ensaios clínicos intervencionistas. Abordagens baseadas em dados para estratificação de pacientes podem ajudar a identificar fenótipo de pacientes com LCT durante o período de lesão aguda, bem como facilitar a inclusão de pacientes em ensaios direcionados e a análise da eficácia do tratamento. Neste estudo, implementamos uma abordagem de aprendizado de máquina não supervisionada para identificar subpopulações de LCT na linha de base da lesão, utilizando dados de 1213 pacientes com LCT que participaram do Ensaio de Tratamento de Lesão Cerebral com Citicolina (COBRIT). Uma estrutura de envoltório que utiliza modelos gerais de baixa classificação selecionou automaticamente características clínicas relevantes que foram utilizadas posteriormente para agrupar pacientes usando um algoritmo de agrupamento baseado em medoids. Usando essa abordagem, identificamos três fenótipo de pacientes com perfis clínicos de lesão únicos com base em um subconjunto de características de lesão aguda. Diferenças específicas por fenótipo nos trajetórias de resultados funcionais a longo prazo foram observadas respectivamente em 3 e 6 meses após a lesão. Em comparação, quando os pacientes foram agrupados por Escala de Coma de Glasgow (ECG) de linha de base, não foram observadas diferenças nos perfis de características clínicas de linha de base ou resultados a longo prazo. Para testar a reprodução do fenótipo em um conjunto de dados de validação externa, usamos um algoritmo de K-vizinhos mais próximos para classificar os sujeitos no conjunto de dados do Estudo Piloto Transformando Pesquisa e Conhecimento Clínico em Lesão Cerebral Traumática (TRACK-TBI) em fenótipo correspondentes, em seguida, medimos as dissimilaridades de Gower entre os sujeitos do TRACK-TBI e do COBRIT em cada fenótipo. Nenhuma diferença significativa foi encontrada entre os sujeitos do ensaio dentro de dois fenótipo, sugerindo que esses fenótipo podem ser generalizáveis dentro de uma ampla faixa de severidade de LCT. Além disso, os resultados da Escala de Resultados de Glasgow Estendida (GOS-E) no conjunto de dados TRACK-TBI demonstraram de maneira semelhante diferenças específicas de fenótipo em resultados a longo prazo. Nossos resultados sugerem que o aprendizado de máquina não supervisionado é uma abordagem promissora e eficaz para a descoberta de novas subpopulações de lesão em comparação ao método convencional baseado na ECG, e pode melhorar a seleção de pacientes em futuros ensaios clínicos de LCT.