Tecnologia Científica

Algoritmo reduz o uso de antibióticos mais arriscados para ITUs
O modelo de aprendizado de máquina prevê a probabilidade de que uma determinada infecção do trato urinário possa ser tratada com antibióticos específicos
Por Adam Conner-Simons e Rachel Gordon - 06/11/2020


Um algoritmo de recomendação do MIT prevê a probabilidade de que a ITU específica de um paciente possa ser tratada com diferentes antibióticos, minimizando a necessidade de usar antibióticos específicos que podem ter efeitos colaterais negativos.

Um paradoxo sobre os antibióticos é que, em termos gerais, quanto mais os usamos, menos eles continuam a funcionar. O processo darwiniano de crescimento de bactérias resistentes aos antibióticos significa que, quando os medicamentos não funcionam, não podemos mais tratar infecções, levando grupos como a Organização Mundial da Saúde a alertar sobre nossa capacidade de controlar as principais ameaças à saúde pública.

Por causa de sua onipresença, um tópico que é particularmente preocupante são as infecções do trato urinário (ITUs), que afetam metade de todas as mulheres e adicionam quase US $ 4 bilhões por ano em custos desnecessários de saúde . Os médicos costumam tratar as ITUs com antibióticos chamados fluoroquinolonas, que são baratos e geralmente eficazes. No entanto, eles também colocam as mulheres em risco de se infectarem com outras bactérias difíceis de tratar, como C. difficile e certas espécies de Staphylococcus , e também aumentam o risco de lesões nos tendões e doenças fatais, como lágrimas aórticas . 

Como resultado disso, associações médicas publicaram diretrizes recomendando fluoroquinolonas como “ tratamentos de segunda linha ” que só devem ser usados ​​em um paciente quando outros antibióticos são ineficazes ou apresentam reações adversas. Ao mesmo tempo, médicos com tempo e recursos limitados continuam a prescrevê-los em altas taxas. 

Uma equipe liderada por cientistas do MIT acredita que esse enigma abre uma oportunidade para uma ferramenta baseada em dados que poderia ajudar os médicos a tomar decisões mais seguras e personalizadas para os pacientes. 

Em um novo artigo , os pesquisadores apresentam um algoritmo de recomendação que prevê a probabilidade de que a ITU de um paciente possa ser tratada com antibióticos de primeira ou segunda linha. Com essas informações, o modelo então faz uma recomendação para um tratamento específico que seleciona um agente de primeira linha com a maior freqüência possível, sem levar a um excesso de falhas no tratamento.  

A equipe mostrou que o modelo permitiria aos médicos reduzir o uso de antibióticos de segunda linha em 67%. Para pacientes em que os médicos escolheram um medicamento de segunda linha, mas o algoritmo escolheu um medicamento de primeira linha, o medicamento de primeira linha acabou funcionando mais de 90% das vezes. Quando os médicos escolheram um medicamento de primeira linha inadequado, o algoritmo escolheu um medicamento de primeira linha apropriado quase na metade das vezes. 

O professor David Sontag do MIT diz que um sistema como este pode ser usado quando um paciente chega à sala de emergência ou ao consultório de seu médico principal com suspeita de ITU. Mesmo quando a infecção é confirmada, a bactéria específica ainda é desconhecida, dificultando a escolha de um plano de tratamento. É aí que o algoritmo entra e faz uma sugestão usando dados do registro eletrônico de saúde (EHR) de mais de 10.000 pacientes do Brigham & Women's Hospital (BWH) e do Massachusetts General Hospital (MGH). 

Apresentado em um artigo publicado esta semana na revista Science Translational Medicine , o sistema da equipe apresenta um algoritmo de limite que a equipe espera que seja intuitivo para os médicos aplicarem a uma ampla gama de medicamentos que enfrentam um dilema semelhante: como equilibrar a necessidade para um tratamento eficaz com o desejo de minimizar o uso de antibióticos de segunda linha. Eles também estruturaram seu modelo para ser incorporado diretamente ao EHR, eliminando etapas desnecessárias e fluxos de trabalho adicionais.

Como um exemplo de como o algoritmo de limite funciona, os tratamentos de ITU são extremamente improváveis ​​de levar a efeitos colaterais com risco de vida, então um médico pode definir o limite de falha do tratamento em um número relativamente alto, como 10%. Por outro lado, os tratamentos para certas infecções da corrente sanguínea apresentam um risco muito maior de morte, então, nesses casos, o médico provavelmente definiria a falha do tratamento para um nível muito menor, como 1%. (Mesmo com um limite tão baixo de falha, os pesquisadores dizem que o algoritmo pode levar a melhorias adicionais, mas isso requer mais estudos.)

O projeto faz parte de uma onda maior de modelos de aprendizado de máquina usados ​​para prever a resistência a antibióticos em síndromes infecciosas, como infecções da corrente sanguínea e usando dados genômicos de patógenos . Embora muitas dessas abordagens forneçam novas informações clínicas, a maioria delas não foi amplamente adotada devido à falta de interpretabilidade, dificuldade de integração em fluxos de trabalho clínicos e ausência de evidências que comprovem que funcionam em ambientes hospitalares reais. 

“O que é empolgante sobre esta pesquisa é que ela apresenta um modelo para a maneira certa de fazer uma avaliação retrospectiva”, diz Sontag, professor do Departamento de Engenharia Elétrica e Ciência da Computação do MIT. “Fazemos isso mostrando que é possível fazer uma comparação comparativa dentro da prática clínica existente. Quando dizemos que podemos reduzir o uso de antibióticos de segunda linha e o tratamento inadequado em certas porcentagens, temos confiança nesses números em relação aos médicos ”. 

“Com este algoritmo, podemos realmente perguntar ao médico qual a probabilidade específica de falha do tratamento que ele está disposto a arriscar para reduzir o uso de medicamentos de segunda linha em uma certa quantidade”, acrescenta Sanjat Kanjilal, professor da Harvard Medical School, médico de doenças infecciosas e diretor médico associado de microbiologia do BWH. Kanjilal e Sontag co-escreveram o novo artigo com pesquisadores da Carnegie Mellon University e MGH.

A equipe é rápida em apontar que não testou seu algoritmo em formas mais complicadas de UTIs que envolvem condições pré-existentes e que a prova final de utilidade só pode ser avaliada por meio de um ensaio clínico randomizado. No entanto, dizem que a grande maioria dos casos de ITU são compatíveis com o sistema. 

Seguindo em frente, Sontag diz que os esforços futuros se concentrarão em fazer um ensaio clínico randomizado, comparando a prática usual com as decisões baseadas em algoritmos. Eles também planejam aumentar a diversidade de seu tamanho de amostra para melhorar as recomendações por raça, etnia, status socioeconômico e históricos de saúde mais complexos. 

Sontag e Kanjilal co-escreveram o artigo com o estudante de graduação do MIT Michael Oberst, o estudante de graduação do MIT Sooraj Boominathan, a estudante de PhD da Carnegie Mellon Helen Zhou e David C. Hooper, chefe da unidade de controle de infecção do MGH. Sontag tem uma dupla afiliação com o Laboratório de Ciência da Computação e Inteligência Artificial e com o Instituto de Engenharia Médica e Ciências.

O projeto foi apoiado, em parte, pelo prêmio MGH-MIT Grand Challenges, uma bolsa Harvard Catalyst e um prêmio CAREER da National Science Foundation.

 

.
.

Leia mais a seguir