Introdução: A doença cardíaca coronária (CHD) e a doença hepática gordurosa não alcoólica (NAFLD) compartilham mecanismos patogênicos sobrepostos, incluindo disfunção do tecido adiposo, resistência à insulina e inflamação sistêmica mediada por adipocinas. No entanto, o impacto específico da inflamação e das respostas imunes no risco de CHD em pacientes com NAFLD permanece pouco compreendido. Este estudo avaliou o valor preditivo de dez índices imunoinflamatórios para o risco de CHD em pacientes com NAFLD usando uma estrutura de aprendizado de máquina interpretável.
Métodos: Analisamos retrospectivamente 407 pacientes com NAFLD submetidos à angiografia coronariana e os estratificamos nos grupos NAFLD + CHD (n = 250) e NAFLD (n = 157). Dez índices imunoinflamatórios foram derivados dos resultados laboratoriais de sangue. A análise de regressão de Lasso e a correspondência do escore de propensão (PSM) foram empregadas para mitigar os efeitos de confusão. Posteriormente, análises de regressão logística univariada e multivariada foram usadas para identificar fatores de risco independentes para a ocorrência de CHD entre pacientes com NAFLD. Enquanto as curvas cúbicas restritas (RCS) e a curva Receiver Operating Characteristic (ROC) avaliaram a relação entre cada índice imunoinflamatório e o risco de CHD. Métodos de correlação linear foram empregados para avaliar a relação entre o escore de Gensini e os índices imunoinflamatórios. Finalmente, três algoritmos de aprendizado de máquina (RF, SVM e GLM) foram usados para identificar fatores de risco significativos. Para interpretar o modelo de diagnóstico construído pela Random Forest, o método ShaPley Additive Explanations (SHAP) foi empregado, e as características foram classificadas de acordo com seus valores de SHAP. Com base nessas classificações, um nomograma de diagnóstico foi posteriormente construído e a precisão do modelo de diagnóstico foi avaliada usando curvas ROC.
Resultado: Após o PSM, entre os 282 pacientes incluídos com NAFLD, 141 casos (50%) foram complicados com CHD. A análise de regressão logística multivariada revelou que, após o ajuste para idade, sexo, hipertensão e histórico de tabagismo, o índice NHR foi identificado como o fator de risco mais significativo para CHD em pacientes com NAFLD (OR, 1.375; IC 95%, 1.021-1.852; P < 0,001). Além disso, NLR, SII, SIRI e NMR também foram identificados como fatores de risco. O PNR foi um fator protetor para eventos de CHD em pacientes com NAFLD. A análise do RCS demonstrou relações lineares entre os índices NHR, NLR e PNR com a ocorrência de CHD, enquanto o índice SII exibiu uma relação não linear em forma de J com o risco de CHD (P não linear = 0,025). A análise de correlação com o escore de Gensini mostrou que o índice NHR teve a maior correlação com a gravidade da CHD (R = 0,256, P < 0,001). As curvas ROC indicaram que o índice NHR teve bom desempenho preditivo e diagnóstico (AUC = 0,703,95% CI, 0,652-0,754). Finalmente, o nomograma diagnóstico construído com base nos valores de SHAP demonstrou boa precisão e desempenho preditivo (AUC = 0,834,95% CI, 0,795-0,873; P < 0,001).
Conclusão: Seis marcadores imunoinflamatórios demonstraram associações significativas com o risco de CHD em populações de NAFLD, entre os quais o índice NHR exibiu um potencial preditivo particularmente promissor.
