Modelos de predição para progressão e desfechos na mielopatia cervical degenerativa: revisão sistemática e avaliação crítica
NeurologiaO que aconteceu
Esta revisão sistemática avaliou a qualidade metodológica, o desempenho preditivo, o risco de viés e a aplicabilidade clínica de modelos de predição para progressão da doença e desfechos pós-operatórios em mielopatia cervical degenerativa (MDC), visando fornecer evidências para otimização do modelo e tradução clínica. PubMed, Embase e Web of Science foram pesquisados desde o início até maio de 2026. Foram incluídos estudos originais que desenvolveram ou validaram modelos de predição de MDC. A extração dos dados seguiu o CHARMS, o risco de viés foi avaliado com o PROBAST e a qualidade do relato foi avaliada com o TRIPOD. https://www.crd.york.ac.uk/PROSPERO/view/CRD420261407781, CRD420261407781.
O que encontraram
Foram incluídos 12 estudos ( coortes prospectivas e retrospectivas da China, EUA, Canadá e República Checa). As abordagens de modelagem variaram de regressão convencional a algoritmos de aprendizado de máquina, com AUCs de 0,53 a 0,93. Os principais preditores incluíam idade, JOA/mJOA basal, duração dos sintomas, tabagismo, comorbidades e características radioativas. O PROBAST revelou baixo viés nos participantes, preditores e desfechos para a maioria dos estudos, exceto Kadanka et al. (2017) que apresentaram alto viés de desfecho; no entanto, todos os estudos apresentaram alto viés de análise-domínio devido à adequação amostra-evento, manuseio de variáveis contínuas inadequadas, gerenciamento inconsistente de dados ausentes e relato de calibração insuficiente. Apenas cinco estudos relataram discriminação e calibração e quatro completaram a validação interna e externa. A adesão ao TRIPOD variou de 59,1 a 81,8%, sendo o tamanho amostral planejamento, relato de calibração e coeficientes do modelo mais subnotificados. A tradução clínica permanece limitada.
Por que isso importa
Os modelos atuais de predição de DCM carregam alto viés geral e heterogeneidade metodológica. Modelos clínicos parcimoniosos utilizando preditores prontamente disponíveis (idade, mJOA basal, duração dos sintomas) com validação rigorosa oferecem vantagens na calibração e interpretabilidade sobre modelos de aprendizado de máquina radiômico de alta dimensão. Pesquisas futuras devem priorizar a validação externa de modelos simples e o desenvolvimento de ferramentas amigáveis ao leito, com adesão às normas TRIPOD e PROBAST.
Tradução automática do resumo original, publicado em Frontiers in neurology sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
Prediction models for progression and outcomes in degenerative cervical myelopathy: a systematic review and critical appraisal
Renkun Zhao, Bo Xu, Xiaokuan Qin, Peng Zhang, Guoliang Ma, Zhizhuang Wang, Dongsheng Yuan, Penghui Li, Jiacheng Zheng, Yaling Gao et al.
Descritores MeSH
- Cervical Vertebrae
- Spinal Cord Diseases
- Disease Progression
- Predictive Learning Models
- Prediction Algorithms
- Humans