Predição de mortalidade cardíaca em pacientes com insuficiência cardíaca: uma abordagem comparativa entre modelos tradicionais, machine learning e deep learning

Abstract

Este trabalho tem como objetivo avaliar e comparar diferentes abordagens para a predição de mortalidade cardíaca em pacientes com insuficiência cardíaca, utilizando o banco de dados MUSIC. Inicialmente, foi aplicada uma versão adaptada do modelo clínico tradicional Seattle Heart Failure Model (SHFM), cuja implementação foi limitada pelas variáveis disponíveis no dataset. Essa versão apresentou desempenho modesto, com AUC-ROC de 0,637 e baixa sensibilidade, evidenciando suas limitações na predição individual de risco. Em seguida, foram implementados modelos supervisionados de aprendizado de máquina (Regressão Logística, Random Forest, SVM e XGBoost) que superaram significativamente o SHFM adaptado, alcançando AUC-ROC superiores a 0,71 e maior capacidade de detecção de pacientes de alto risco. Além disso, foi realizado o ajuste de hiperparâmetros nos modelos Random Forest e XGBoost, buscando melhorias adicionais, e implementados modelos de deep learning, incluindo MLP e MLP com camada Transformer. Embora os modelos de deep learning tenham superado o SHFM adaptado (AUC até 0,75), os melhores resultados gerais foram obtidos com Random Forest e XGBoost, indicando que modelos tradicionais bem calibrados podem, neste contexto, superar arquiteturas mais complexas. Esses resultados reforçam o potencial das abordagens baseadas em aprendizado de máquina para apoiar a prática clínica na estratificação de risco, ao mesmo tempo em que destacam a importância do balanceamento entre complexidade, tamanho amostral e capacidade de generalização.

This study aims to evaluate and compare different approaches for predicting cardiac mortality in patients with heart failure using the MUSIC dataset. Initially, an adapted version of the traditional clinical Seattle Heart Failure Model (SHFM) was applied, whose implementation was limited by the variables available in the dataset. This adapted version showed modest performance, with an AUC-ROC of 0.637 and low sensitivity, highlighting its limitations in individual risk prediction. Subsequently, supervised machine learning models (Logistic Regression, Random Forest, SVM, and XGBoost) were implemented, significantly outperforming the adapted SHFM by achieving AUC-ROC values above 0.71 and greater ability to detect high-risk patients. Additionally, hyperparameter tuning was performed on the Random Forest and XGBoost models to seek further performance improvements, and deep learning models were implemented, including MLP and MLP with a Transformer layer. Although the deep learning models outperformed the adapted SHFM (AUC-ROC up to 0.75), the best overall results were obtained with Random Forest and XGBoost, indicating that well-calibrated traditional models can, in this context, surpass more complex architectures. These findings reinforce the potential of machine learning-based approaches to support clinical practice in risk stratification while highlighting the importance of balancing algorithmic complexity, sample size, and generalization capacity.