Previsão do sucesso cirúrgico em pacientes com apneia obstrutiva do sono com modelos de Machine Learning

Abstract

A Apneia Obstrutiva do Sono (SAOS) é uma doença prevalente que impacta significativamente a saúde e qualidade de vida dos pacientes. Embora a cirurgia seja uma opção terapêutica importante, a sua taxa de sucesso é variável e difícil de prever com base apenas na avaliação clínica tradicional. Este trabalho teve como objetivo desenvolver e avaliar modelos de Machine Learning (ML) capazes de prever o sucesso cirúrgico em pacientes com SAOS, a partir de dados sociodemográficos, clínicos, antropométricos e polissonográficos recolhidos entre 2015 e 2023 numa unidade hospitalar da região de Lisboa. Após etapas de pré-processamento, incluindo tratamento de outliers, correção de assimetrias, equilíbrio das classes e seleção de variáveis, foram testados diferentes algoritmos (Regressão Logística, Random Forest, XGBoost e Support Vector Machine). O desempenho foi avaliado com métricas de classificação e interpretabilidade clínica, recorrendo a técnicas como SHAP para explicar a importância das variáveis. Os resultados mostraram que a Regressão Logística, combinando robustez estatística e interpretabilidade, foi o modelo mais adequado, destacando-se variáveis como tipo de polissonografia, índice de dessaturações (ODI) e características do sono REM como preditores relevantes. Este estudo demonstra o potencial da integração de ML na prática clínica, fornecendo ferramentas que podem apoiar a seleção de candidatos à cirurgia e contribuir para uma abordagem mais personalizada no tratamento da SAOS.

Obstructive Sleep Apnea (OSA) is a prevalent condition that significantly impacts patients’ health and quality of life. Although surgery is an important therapeutic option, its success rate is variable and difficult to predict based solely on traditional clinical assessment. This study aimed to develop and evaluate Machine Learning (ML) models to predict surgical success in OSA patients, using sociodemographic, clinical, anthropometric, and polysomnographic data collected between 2015 and 2023 in a hospital unit in the Lisbon region. After data preprocessing steps, including outlier treatment, skewness correction, class balancing, and variable selection, several algorithms were tested (Logistic Regression, Random Forest, XGBoost, and Support Vector Machine). Model performance was assessed through classification metrics and clinical interpretability, with SHAP used to explain variable importance. The results showed that Logistic Regression, combining statistical robustness and interpretability, was the most suitable model, highlighting variables such as type of polysomnography, oxygen desaturation index (ODI), and REM sleep characteristics as relevant predictors. This study demonstrates the potential of integrating ML into clinical practice, providing tools that can support patient selection for surgery and contribute to a more personalized approach in the treatment of OSA.