Foi utilizado o banco de dados de doenças dermatológicas eritemato‐descamativas “Dermatology”, que contém dados individuados sem identificação dos pacientes. Os dados foram disponibilizados originalmente por meio de parceria entre o Departamento de Dermatologia da Escola de Medicina da Gazi University e o Departamento de Engenharia de Computação e Ciência da Computação da Bilkent University, disponibilizados livremente no Repositório de Dados Machine Learning UC Irvine.4 Desse modo, o presente estudo dispensa aprovação por Comitê de Ética em Pesquisa.

O banco apresenta dados clínicos e histopatológicos de 366 pacientes diagnosticados com uma das seis doenças em estudo: dermatite crônica (n=52), líquen plano (n=72), pitiríase rósea (n=49), pitiríase rubra pilar (n=20), psoríase (n=112) e dermatite seborreica (n=61). As variáveis com atributos clínicos são: eritema, descamação, bordas definidas, prurido, fenômeno de Koebner, pápulas poligonais, pápulas foliculares, acometimento da mucosa oral, acometimento de joelhos e cotovelos, histórico familiar e idade. As variáveis histopatológicas são: incontinência pigmentar, infiltrado eosinofílico, infiltrado de neutrófilos, fibrose da derme papilar, exocitose, acantose, hiperceratose, paraceratose, alargamento das cristas epidérmicas, alongamento das cristas epidérmicas, adelgaçamento da epiderme suprapapilar, pústula esponjosa, microabscesso de Munro, hipergranulose focal, desaparecimento da camada granular, vacuolização e dano da camada basal, espongiose, cristas epidérmicas em “dentes de serra”, plugue córneo folicular, paraceratose perifolicular, infiltrado inflamatório mononuclear e infiltrado em faixa.

Uma vez que a análise histopatológica, somada à história clínica, pode ser considerada “padrão ouro” no diagnóstico de condições dermatológicas eritemato‐descamativas, escolheu‐se treinar o modelo sem o apoio dessas variáveis para a predição. A escolha foi feita objetivando‐se desenvolver um modelo que pudesse auxiliar a prática clínica, por vezes sem acesso à histopatologia.

O pré‐processamento de dados se resumiu à eliminação das colunas de dados histopatológicos e de pacientes com dados clínicos incompletos. O conjunto final ficou composto por 359 pacientes, 98% dos originais 366 pacientes avaliados.

Foi desenvolvido um modelo de machinelearning para classificação multiclasse utilizando o algoritmo Random Forest e empregada a estratégia “One‐vs.‐Rest”, em Python pela plataforma Google Colab™. Foi utilizado o Método Holdout, em que o modelo foi treinado dividindo‐se os dados entre os subconjuntos treino e teste, em que 70% desses foram usados para o aprendizado do algoritmo e 30% para teste e avaliação da performance preditiva do modelo em dados novos.

No modelo de Random Forest utilizado, foram geradas 100 árvores, com profundidade média de 13,21, variando entre profundidade máxima de 17 e mínima de 11. Para cada nó, foi selecionado um número máximo de características com base na raiz quadrada do número total de características disponíveis (“sqrt”). O critério de impureza utilizado foi o índice de Gini; o número mínimo de amostras por folha foi definido como 1, enquanto o número mínimo de amostras necessário para dividir um nó foi 2.

Para a avaliação de desempenho preditivo, foi gerada uma matriz de confusão e calculada a área abaixo da Receiver Operating Characteristic Curve (ROC‐AUC), sensibilidade, especificidade, valor preditivo positivo (VPP), valor preditivo negativo (VPN), F1‐score e acurácia do modelo.

A técnica de interpretação do modelo escolhida foi o método SHAP (SHapley Additive exPlanations), que é baseada na técnica dos Valores Shapley.5 Nesse caso, o objetivo é explicar as predições do modelo de machine learning baseando‐se na contribuição de cada variável para a predição do resultado final.6 Neste estudo, as variáveis são as características clínicas de cada paciente e o resultado final, ou predição, é o diagnóstico de uma das doenças eritemato‐descamativas do estudo.

Assim, cada característica clínica recebe um valor SHAP, indicando o impacto dessa variável na predição do diagnóstico. Se o valor SHAP de uma variável for nulo, significa que a presença ou ausência da característica clínica em questão não influencia na decisão do diagnóstico pelo modelo. Já se o valor SHAP for positivo, a presença da característica tem influência a favor do diagnóstico. Por outro lado, se o valor SHAP for negativo, interpreta‐se que a presença da característica tem influência contrária ao diagnóstico. Por fim, valores SHAP (em módulo) altos indicam que a influência da variável na predição é alta, enquanto valores SHAP (em módulo) baixos indicam que a variável influencia pouco na predição da doença.6

O modelo desenvolvido apresentou bom desempenho preditivo, mesmo sem o apoio das variáveis histopatológicas (acurácia geral do modelo: 86%), como demonstrado na tabela 1. Os diagnósticos mais assertivos se deram nas predições das doenças pitiríase rubra pilar e pitiríase rósea (sensibilidade: 100% e 93%, respectivamente), enquanto dermatite crônica e dermatite seborreica obtiveram as menores métricas (sensibilidade: 67% e 78%, respectivamente). Ainda assim, o modelo obteve sucesso em predizer resultados negativos dessas doenças, alcançando valores altos de especificidade e VPN (dermatite crônica: 99% e 94%; dermatite seborreica: 94% e 96%). A figura 1 apresenta as curvas ROC resultantes da análise preditiva nos dados de teste.

Figura 1.

Curvas ROC do modelo Random Forest para classificação do tipo multiclasse e valores de suas respectivas áreas sob a curva (AUC).

Os resultados de performance algorítmica ficam claros ao analisá‐los junto à matriz de confusão dos resultados preditos versus reais, demonstrada na figura 2.

Figura 2.

Matriz de confusão.

Para análise geral, as características foram classificadas por ordem decrescente de influência nas decisões do modelo, usando para isso os valores absolutos médios de impacto (SHAP médio).

As características clínicas que mais influenciaram na diferenciação entre as doenças cutâneas analisadas – ou seja, com maiores SHAP médios – foram: acometimento de joelhos e cotovelos, acometimento de couro cabeludo, fenômeno de Koebner, pápulas poligonais, acometimento de mucosa oral e bordas definidas, como observado na figura 3. Já as características “histórico familiar”, “eritema” e “idade” pouco influenciaram no diagnóstico geral.

Figura 3.

SHAP Summary Plot: importância geral das variáveis para a predição dos resultados e contribuição para predições específicas.

Também é possível observar quanto cada característica contribui, de maneira absoluta, para cada diagnóstico – por exemplo: as variáveis “acometimento de joelhos e cotovelos” e “acometimento de couro cabeludo” influenciam muito significantemente no diagnóstico de psoríase (barras em azul), enquanto as variáveis “pápulas poligonais” e “acometimento de mucosa oral” tiveram maior influência no diagnóstico de líquen plano (barras em verde). Assim, as doenças associadas às melhores performances preditivas do modelo são as que apresentam distribuições únicas de valores médios SHAP. Do mesmo modo, doenças com distribuições parecidas de valores médio SHAP entre as variáveis, como quando comparadas as dermatites crônica e seborreica (barras em vermelho e roxo, respectivamente), apresentam as piores performances preditivas, já que o modelo pode ter dificuldade em diferenciá‐las.

As influências das características clínicas na definição de cada diagnóstico diferencial também podem ser observadas de maneira mais detalhada e individualizada nos gráficos tipo Beeswarm, nas figuras 4 a 6. Nesse caso é possível identificar como as variáveis influenciaram no processo de decisão do modelo, em que os valores das variáveis (tons rosa são valores maiores, indicando maior presença da característica, e tons azul são valores menores, indicando menor presença da característica) se correlacionam com o impacto no resultado diagnóstico (SHAP‐values positivos são favoráveis ao diagnóstico em questão, enquanto SHAP‐values negativos são desfavoráveis ao diagnóstico).

Figura 4.

Beeswarm Plots: psoríase (esquerda) e dermatite seborreica (direita).

Figura 5.

Beeswarm Plots: pitiríase rósea (esquerda) e pitiríase rubra pilar (direita).

Figura 6.

Beeswarm Plots: dermatite crônica (esquerda) e líquen plano (direita).

Com base na interpretação do modelo proposto e nas características clínicas disponibilizadas para esta análise, verifica‐se que dermatite crônica (ROC‐AUC=89%) se correlacionou positivamente, principalmente com prurido e valores menores de descamação, enquanto a presença do fenômeno de Koebner teve efeito desfavorável ao diagnóstico. Já líquen plano (ROC‐AUC=100%) se correlacionou positiva e significantemente com presença de pápulas poligonais e acometimento da mucosa oral. Pitiríase rósea (ROC‐AUC=96%) se correlacionou positiva e significantemente com o fenômeno de Koebner, enquanto a presença de valores mais altos de prurido, acometimento de joelhos, cotovelos, couro cabeludo ou de pápulas poligonais teve efeito desfavorável ao diagnóstico. A pitiríase rubra pilar (ROC‐AUC=100%) se correlacionou positiva e significantemente com a presença de pápulas foliculares, valores médios de acometimento de joelhos e cotovelos e com idade jovem (duas primeiras décadas de vida). A predição de psoríase (ROC‐AUC=98%) foi influenciada positiva e significantemente principalmente pelo acometimento de joelhos, cotovelos e/ou couro cabeludo. Por fim, a dermatite seborreica (ROC‐AUC=94%) teve sua predição influenciada positivamente por descamação, prurido e eritema. Por outro lado, a presença do fenômeno de Koebner, acometimento de joelhos e cotovelos e bordas definidas teve efeito desfavorável ao seu diagnóstico.