Comparing Ordered Logistic Regression and Random Forest for Predicting Lacosamide Trough Concentration Tiers in a Real-World Cohort: A Methodological Cautionary Study

En el mundo de la medicina, algunos fármacos funcionan como una llave precisa que encaja en una cerradura, mientras que otros se comportan más bien como agua vertida en un cubo con un agujero que cambia de tamaño para cada persona. El lacosamida es uno de esos fármacos que varía enormemente de un paciente a otro. Es un medicamento utilizado para controlar las convulsiones, y los médicos confían en un proceso llamado monitorización terapéutica de fármacos para asegurarse de que la cantidad de medicamento en la sangre del paciente sea la adecuada. Si el nivel es demasiado bajo, las convulsiones podrían reaparecer; si es demasiado alto, el paciente podría sufrir efectos secundarios. El desafío es que la misma dosis no produce el mismo nivel en sangre en diferentes personas. Factores como la edad, el peso corporal y si un paciente está tomando otros medicamentos pueden alterar este equilibrio. Durante años, los médicos han tenido la esperanza de que, al introducir estos hechos conocidos en una computadora, podrían predecir exactamente dónde caería el nivel de fármaco de un paciente, permitiendo una dosificación perfecta y personalizada desde el primer momento.

Un equipo de investigadores de la Escuela de Medicina de la Universidad de Zhejiang decidió poner a prueba esta esperanza con un gran experimento del mundo real. Recopilaron datos de casi mil pacientes, que iban desde niños pequeños hasta adultos mayores, que se habían realizado controles de sus niveles de lacosamida en un solo hospital. Los investigadores querían ver si podían utilizar dos tipos diferentes de herramientas matemáticas para clasificar a estos pacientes en tres grupos: aquellos con niveles bajos de fármaco, aquellos con niveles en el rango terapéutico seguro y aquellos con niveles demasiado altos. Una herramienta era un método estadístico tradicional conocido como regresión logística ordenada, que busca relaciones de línea recta entre factores como la edad y los niveles de fármaco. La otra era una técnica de aprendizaje automático llamada bosque aleatorio (random forest), un sistema más complejo que intenta encontrar patrones ocultos y conexiones que la matemática simple podría pasar por alto. El objetivo era ver si alguna de las dos herramientas podía adivinar con precisión el nivel de fármaco de un paciente basándose en un único análisis de sangre y una lista de detalles rutinarios como su peso y otros medicamentos.

Los investigadores introdujeron en los sistemas informáticos un conjunto específico de información para cada paciente: su edad, sexo, peso corporal, la dosis de lacosida que tomaba ajustada a su peso, si estaba tomando otros medicamentos anticonvulsivos que son conocidos por acelerar el procesamiento de fármacos en el cuerpo, y cuántos otros medicamentos anticonvulsivos tomaba al mismo tiempo. Definieron los "otros medicamentos" de forma muy cuidadosa, observando únicamente las recetas surtidas dentro de una semana del análisis de sangre para asegurar que el tiempo coincidiera. Luego dividieron sus datos, utilizando la mayor parte para enseñar a los modelos y el resto para probar qué tan bien funcionaban los modelos con pacientes que nunca habían visto antes. Los resultados fueron claros y algo decepcionantes para quienes esperaban una solución computacional rápida. Ni el modelo estadístico tradicional ni el avanzado sistema de aprendizaje automático pudieron predecir los niveles de fármaco con una precisión útil. Los modelos funcionaron solo ligeramente mejor que el azar. Aunque el modelo de aprendizaje automático superó al tradicional por un pequeño margen, ambos no alcanzaron el nivel de fiabilidad necesario para guiar decisiones clínicas.

A pesar del fracaso en la predicción de los niveles individuales, el estudio sí descubrió una señal muy específica y fiable. Los investigadores encontraron que, cuando un paciente tomaba ciertos otros medicamentos anticonvulsivos que aceleran el metabolismo, sus niveles de lacosamida eran significamente más bajos. Este efecto fue lo suficientemente fuerte como para ser detectado incluso cuando los modelos tenían dificultades con todo lo demás. Los datos mostraron que los pacientes que tomaban estos fármacos que interactúan tenían aproximadamente la mitad de las probabilidades de tener un nivel de fármaco alto en comparación con aquellos que no los tomaban. Esto confirmó un hecho biológico conocido: estos fármacos específicos actúan como un acelerador químico, eliminando el lacosamida del cuerpo más rápido. Sin embargo, este único factor no fue suficiente para que la predicción general funcionara. Los modelos no pudieron dar cuenta de la enorme cantidad de otra variación que existe entre las personas.

El estudio sugiere que el problema no es el tipo de matemática utilizada, sino la naturaleza de los datos mismos. Un solo análisis de sangre, sin importar cuántos detalles se le adjunten, no contiene información suficiente para predecir dónde aterrizará el nivel de fármaco de un paciente. Los investigadores señalaron que factores que no pudieron medir, como si un paciente realmente tomó su medicación según lo prescrito, o las diferencias genéticas en cómo su hígado procesa los fármacos, probablemente juegan un papel importante. El modelo de aprendizaje automático no encontró ningún patrón secreto que el modelo más simple hubiera pasado por alto; ambos coincidieron en que la edad y la dosis ajustada al peso eran los factores más importantes, pero incluso estos fueron insuficientes. El estudio también confirmó que la relación entre la edad y los niveles de fármco no es la misma para todos, mostrando los niños un vínculo más estrecho entre la dosis que reciben y el nivel que alcanzan en comparación con los adultos, que tienen resultados mucho más impredecibles.

En última instancia, la investigación sirve como una advertencia para el campo de la medicina personalizada. Demuestra que, si bien tenemos herramientas poderosas para analizar datos, aún no podemos predecir resultados biológicos complejos a partir de una instantánea en un momento dado. La idea de que un algoritmo informático pudiera decirle instantáneamente a un médico la dosis perfecta basada en un análisis de sangre rutinario y algunos datos básicos no está respaldada por esta evidencia. En cambio, los hallazgos refuerzan la necesidad de que los médicos dependan de la observación cuidadosa a lo largo del tiempo, observando cómo cambian los niveles de un paciente con pruebas repetidas. La única regla clara que surgió es que, si un paciente está tomando medicamentos específicos que interactúan, sus niveles probablemente serán más bajos, y esto debe tenerse en cuenta manualmente. Para el resto, el camino hacia una dosificación verdaderamente individualizada requiere más que un mejor software; requiere una mirada más profunda a la historia del paciente, su genética y su adherencia real al plan de tratamiento, recopilada a lo largo de un periodo prolongado en lugar de en un solo momento.