A busca pela medicina personalizada, uma abordagem médica em que os médicos utilizam o perfil genético único do paciente para adaptar o tratamento individual, emergiu como um objetivo crítico no sector dos cuidados de saúde. Mas um novo estudo liderado por Yale mostra que os modelos matemáticos atualmente disponíveis para prever tratamentos têm eficácia limitada.

Numa análise de ensaios clínicos para múltiplos tratamentos da esquizofrenia, os investigadores descobriram que os algoritmos matemáticos foram capazes de prever os resultados dos pacientes nos ensaios específicos para os quais foram desenvolvidos, mas não funcionaram para os pacientes que participaram em diferentes ensaios.

As descobertas foram publicadas em 11 de janeiro na revista Science .

“ Este estudo realmente desafia o status quo do desenvolvimento de algoritmos e eleva o padrão para o futuro”, disse Adam Chekroud , professor assistente adjunto de psiquiatria na Escola de Medicina de Yale e autor correspondente do artigo. “Neste momento, eu diria que precisamos ver algoritmos funcionando em pelo menos dois ambientes diferentes antes de podermos realmente ficar entusiasmados com isso.”

“Ainda estou optimista”, acrescentou, “mas como investigadores médicos temos algumas coisas sérias para resolver”.

Chekroud também é presidente e cofundador da Spring Health, uma empresa privada que presta serviços de saúde mental.

A esquizofrenia, uma doença cerebral complexa que afeta cerca de 1% da população dos EUA, ilustra perfeitamente a necessidade de tratamentos mais personalizados, dizem os investigadores. Cerca de 50% dos pacientes diagnosticados com esquizofrenia não respondem ao primeiro medicamento antipsicótico prescrito, mas é impossível prever quais pacientes responderão às terapias e quais não.

Os investigadores esperam que as novas tecnologias que utilizam a aprendizagem automática e a inteligência artificial possam produzir algoritmos que prevejam melhor quais os tratamentos que funcionarão para diferentes pacientes e ajudem a melhorar os resultados e a reduzir os custos dos cuidados.

Devido ao alto custo de execução de um ensaio clínico, entretanto, a maioria dos algoritmos só é desenvolvida e testada em um único ensaio clínico. Mas os investigadores esperavam que estes algoritmos funcionassem se testados em pacientes com perfis semelhantes e recebendo tratamentos semelhantes.

Para o novo estudo, Chekroud e os seus colegas de Yale queriam ver se esta esperança era realmente verdadeira. Para o fazer, agregaram dados de cinco ensaios clínicos de tratamentos para a esquizofrenia disponibilizados através do Projeto Yale Open Data Access (YODA) , que defende e apoia a partilha responsável de dados de investigação clínica. Na maioria dos casos, descobriram eles, os algoritmos previram efetivamente os resultados dos pacientes no ensaio clínico em que foram desenvolvidos. No entanto, eles não conseguiram prever com eficácia os resultados para pacientes com esquizofrenia tratados em diferentes ensaios clínicos.

“ Os algoritmos quase sempre funcionavam na primeira vez”, disse Chekroud. “Mas quando os testamos em pacientes de outros ensaios, o valor preditivo não foi maior que o acaso.”

O problema, segundo Chekroud, é que a maioria dos algoritmos matemáticos usados por pesquisadores médicos foram projetados para serem usados em conjuntos de dados muito maiores. Os ensaios clínicos são caros e demorados para serem realizados, por isso os estudos normalmente envolvem menos de 1.000 pacientes. Aplicar as poderosas ferramentas de IA à análise desses conjuntos de dados menores, disse ele, muitas vezes pode resultar em “ajuste excessivo”, no qual um modelo aprendeu padrões de resposta que são idiossincráticos, ou específicos apenas para os dados iniciais do teste, mas desaparecem quando novos dados adicionais são incluídos. 

“ A realidade é que precisamos pensar no desenvolvimento de algoritmos da mesma forma que pensamos no desenvolvimento de novos medicamentos”, disse ele. “Precisamos ver algoritmos funcionando em vários momentos ou contextos diferentes antes de podermos realmente acreditar neles.”

No futuro, a inclusão de outras variáveis ambientais pode ou não melhorar o sucesso dos algoritmos na análise de dados de ensaios clínicos, acrescentaram os investigadores. Por exemplo, o paciente abusa de drogas ou conta com apoio pessoal de familiares ou amigos? Esses são os tipos de fatores que podem afetar os resultados do tratamento.

A maioria dos ensaios clínicos utiliza critérios precisos para melhorar as probabilidades de sucesso, tais como directrizes sobre quais os pacientes devem ser incluídos (ou excluídos), medição cuidadosa dos resultados e limites ao número de médicos que administram tratamentos. Enquanto isso, os cenários do mundo real apresentam uma variedade muito maior de pacientes e uma maior variação na qualidade e consistência do tratamento, dizem os pesquisadores.

“ Em teoria, os ensaios clínicos deveriam ser o local mais fácil para os algoritmos funcionarem. Mas se os algoritmos não puderem generalizar de um ensaio clínico para outro, será ainda mais desafiador usá-los na prática clínica”, disse o coautor John Krystal, professor de pesquisa translacional e professor Robert L. McNeil Jr. de psiquiatria, neurociência e psicologia na Escola de Medicina de Yale. Krystal também é presidente do Departamento de Psiquiatria de Yale.

Chekroud sugere que o aumento dos esforços para partilhar dados entre investigadores e o armazenamento de dados adicionais por prestadores de cuidados de saúde em grande escala pode ajudar a aumentar a fiabilidade e precisão dos algoritmos baseados em IA.

“ Embora o estudo trate de ensaios de esquizofrenia, levanta questões difíceis para a medicina personalizada de forma mais ampla e a sua aplicação em doenças cardiovasculares e cancro”, disse Philip Corlett, professor associado de psiquiatria em Yale e coautor do estudo.

Outros autores do estudo em Yale são Hieronimus Loho; Ralitza Gueorguieva , pesquisadora sênior da Escola de Saúde Pública de Yale; e Harlan M. Krumholz , professor Harold H. Hines Jr. de Medicina (Cardiologia) em Yale.