Prever com precisão como a doença crônica de um indiva­duo ira¡ progredir éfundamental para fornecer medicina de precisão mais personalizada. Somente com essa percepção, o cla­nico e o paciente podem planejar estratanãgias de tratamento ideais para intervenção e mitigação. No entanto, háum enorme desafio em prever com precisão as trajeta³rias cla­nicas de pessoas para condições crônicas de saúde, como fibrose ca­stica (FC), ca¢ncer, doenças cardiovasculares e doença de Alzheimer.

“Os problemas de previsão na área da saúde são terrivelmente complexos”, disse a professora Mihaela van der Schaar , diretora do Centro de Cambridge para IA em Medicina (CCAIM). “Mesmo as abordagens de aprendizado de ma¡quina, que lidam com a complexidade, lutam para oferecer benefa­cios significativos para pacientes e médicos e para a ciência médica de forma mais ampla. As soluções de aprendizado de ma¡quina prontas para usar, tão aºteis em muitas áreas, simplesmente não funcionam na medicina preditiva. ”

Desvende essa complexidade, no entanto, e enormes ganhos em saúde o aguardam. a‰ por isso que várias equipes lideradas pelo Professor van der Schaar e Co-Diretor do CCAIM Andres Floto , Professor de Biologia Respirata³ria da Universidade de Cambridge e Diretor de Pesquisa do Cambridge Center for Lung Infection no Royal Papworth Hospital, desenvolveram um conjunto de Abordagens e ferramentas de aprendizado de ma¡quina (ML) de classe mundial que superaram muitos dos desafios.

Em apenas dois anos, os pesquisadores desenvolveram tecnologia que passou da produção de previsaµes baseadas em ML de insuficiência pulmonar em pacientes com FC usando um instanta¢neo dos dados do paciente - em si uma melhoria nota¡vel em relação ao estado da arte anterior - para previsaµes dina¢micas de doenças individuais trajeta³rias, previsaµes de riscos de saúde e comorbidades concorrentes, 'agrupamento temporal' com pacientes anteriores e muito mais.

Os pesquisadores estãoapresentando três de suas novas tecnologias de ML nesta semana na Conferência Norte Americana de Fibrose Ca­stica 2020 . Detalhes detalhados das tecnologias e suas implicações potenciais estãodisponí­veis no site do CCAIM .

As ferramentas desenvolvidas pelos pesquisadores de Cambridge representam um progresso surpreendente em um tempo muito curto e revelam o poder dos manãtodos de ML para enfrentar os mistanãrios restantes das doenças crônicas comuns e fornecem previsaµes altamente precisas de resultados de saúde específicos do paciente com uma precisão sem precedentes. Além do mais, essas técnicas podem ser prontamente aplicadas a outras doenças crônicas.

“A fibrose ca­stica éum excelente exemplo de uma condição crônica difa­cil de tratar”, disse Floto. “Muitas vezes não estãoclaro como a doença ira¡ progredir em um determinado indiva­duo ao longo do tempo, e existem maºltiplas complicações concorrentes que precisam de intervenções preventivas ou atenuantes.”

A FC éuma doença genanãtica que afeta vários órgãos, mas principalmente os pulmaµes, onde causa insuficiência respirata³ria progressiva e morte prematura. Em 2019, a idade média das 114 pessoas com FC que morreram no Reino Unido era de 31 anos . Apenas cerca de metade das pessoas nascidas no Reino Unido com FC em 2019 tem probabilidade de viver atéos 50 anos.

A fibrose ca­stica também éum terreno fanãrtil para explorar os manãtodos de ML, em parte por causa do UK Cystic Fibrosis Registry , um extenso banco de dados que cobre 99% da população com FC do Reino Unido e égerenciado pelo UK Cystic Fibrosis Trust. O Registro contanãm dados esta¡ticos e de sanãries temporais para cada paciente com FC, incluindo informações demogra¡ficas, gena³tipo CFTR, medidas relacionadas a  doena§a, incluindo dados de infecção, comorbidades e complicações, função pulmonar, peso, uso de antibia³ticos intravenosos, medicamentos, transplantes e mortes.

“Quase todas as pessoas com fibrose ca­stica no Reino Unido confiam no Registro para manter os dados de seus pacientes, que são então usados ​​para garantir o melhor atendimento para todas as pessoas com a doena§a”, disse a Dra. Janet Allen, Diretora de Inovação Estratanãgica do Cystic Fibrosis Trust. “O que éempolgante éque as abordagens desenvolvidas pelo professor van der Schaar levam isso a umnívelcompletamente novo, desenvolvendo ferramentas para controlar a complexidade dos dados de FC. Transformar esses dados em compreensão médica éuma prioridade fundamental para o futuro dos cuidados de saúde personalizados. ”

O conjunto de novas ferramentas oferece um enorme benefa­cio potencial para todos no ecossistema de FC, de pacientes a médicos e pesquisadores médicos. “Nossa tecnologia médica de ML amadureceu rapidamente e estãopronta para ser implantada”, disse van der Schaar. “Chegou a hora de trazer seus benefa­cios claros para as pessoas que mais precisam - no caso, as pessoas que vivem com fibrose ca­stica. Isso significa colaborar ainda mais com os médicos e aumentar nosso envolvimento com sistemas de saúde mais amplos e com guardiaµes de dados fora do Reino Unido. ”

As tecnologias de aprendizado de ma¡quina provaram ser adequadas para prever as trajeta³rias cla­nicas de pessoas com problemas de saúde de longo prazo, e a inovação continuara¡ em ritmo acelerado. A revolução centrada no paciente em cuidados de saúde de precisão permitira¡ e capacitar médicos e pesquisadores a extrair maior valor da disponibilidade crescente de dados de saúde.

O desafio que temos pela frente éperceber o potencial dessas ferramentas, disponibilizando-as para médicos e hospitais em todo o mundo, onde possam ajudar a melhorar e salvar a vida de pessoas que vivem com doenças crônicas. Este éum dos objetivos do Cambridge Center for AI in Medicine.