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

Nel mondo della medicina, alcuni farmaci funzionano come una chiave precisa che si inserisce in una serratura, mentre altri si comportano più come l'acqua versata in un secchio con un buco che cambia dimensione per ogni persona. Il lacosamide è uno di quei farmaci che varia enormemente da un paziente all'altro. È un medicinale utilizzato per controllare le convulsioni e i medici si affidano a un processo chiamato monitoraggio terapeutico del farmaco per assicurarsi che la quantità di farmaco nel sangue del paziente sia quella giusta. Se il livello è troppo basso, le convulsioni potrebbero tornare; se è troppo alto, il paziente potrebbe soffrire di effetti collaterali. La sfida è che la stessa dose non produce lo stesso livello ematico in persone diverse. Fattori come l'età, il peso corporeo e se un paziente sta assumendo altri farmaci possono tutti spostare l'equilibrio. Per anni, i medici hanno sperato che, fornendo questi fatti noti a un computer, avrebbero potuto prevedere esattamente dove si sarebbe collocato il livello del farmaco di un paziente, permettendo un dosaggio perfetto e personalizzato fin dall'inizio.

Un team di ricercatori della Scuola di Medicina dell'Università di Zhejiang ha deciso di testare questa speranza con un grande esperimento nel mondo reale. Hanno raccolto i dati di quasi mille pazienti, dai bambini piccoli agli anziani, che avevano fatto controllare i loro livelli di lacosamide in un singolo ospedale. I ricercatori volevano vedere se potevano usare due diversi tipi di strumenti matematici per classificare questi pazienti in tre gruppi: quelli con bassi livelli di farmaco, quelli con livelli nell'intervallo terapeutico sicuro e quelli con livelli troppo alti. Uno strumento era un metodo statistico tradizionale noto come regressione logistica ordinale, che cerca relazioni lineari tra fattori come l'età e i livelli del farmaco. L'altro era una tecnica di apprendimento automatico chiamata random forest, un sistema più complesso che cerca di trovare schemi e connessioni nascoste che la matematica semplice potrebbe perdere. L'obiettivo era vedere se uno dei due strumenti potesse indovinare con precisione il livello del farmaco di un paziente basandosi su un singolo esame del sangue e un elenco di dettagli di routine come il peso e altri farmaci.

I ricercatori hanno fornito ai sistemi informatici un set specifico di informazioni per ogni paziente: età, sesso, peso corporeo, la dose di lacosamide che stavano assumendo corretta per il peso, se stavano assumendo altri farmaci anticonvulsanti noti per accelerare l'elaborazione dei farmaci da parte dell'organismo e quanti altri farmaci anticonvulsanti stavano assumendo contemporaneamente. Hanno definito gli "altri farmaci" in modo molto accurato, guardando solo alle prescrizioni emesse entro una settimana dal test del sangue per garantire che la tempistica corrisponcesse. Hanno poi diviso i loro dati, usando la maggior parte di essi per istruire i modelli e il resto per testare quanto bene i modelli si sarebbero comportati su pazienti che non avevano mai visto prima. I risultati sono stati chiari e piuttosto deludenti per chi sperava in una rapida soluzione computazionale. Né il modello statistico tradizionale né il sistema avanzato di apprendimento automatico riuscivano a prevedere i livelli del farmaco con alcuna accuratezza utile. I modelli si sono comportati solo leggermente meglio del caso casuale, ma entrambi non hanno raggiunto il livello di affidabilità necessario per guidare le decisioni cliniche. Sebbene il modello di apprendimento automatico abbia superato di poco quello tradizionale, entrambi non sono riusciti a raggiungere l'affidabilità necessaria per guidare le decisioni cliniche.

Nonostante il fallimento nel prevedere i livelli individuali, lo studio ha scoperto un segnale molto specifico e affidabile. I ricercatori hanno scoperto che quando un paziente assumeva determinati altri farmaci anticonvulsanti che accelerano il metabolismo, i suoi livelli di lacosamide erano significativamente più bassi. Questo effetto era abbastanza forte da essere rilevato anche quando i modelli faticavano con tutto il resto. I dati hanno mostrato che i pazienti che assumevano questi farmaci interagenti avevano circa la metà delle probabilità di avere un livello di farmaco elevato rispetto a quelli che non li assumevano. Ciò ha confermato un fatto biologico noto: questi specifici farmaci agiscono come un acceleratore chimico, eliminando il lacosamide dall'organismo più velocemente. Tuttavia, questo singolo fattore non era sufficiente a far funzionare la previsione complessiva. I modelli non riuscivano a tenere conto della vasta quantità di altra variazione che esiste tra le persone.

Lo studio suggerisce che il problema non è il tipo di matematica utilizzata, ma la natura stessa dei dati. Un singolo esame del sangue, indipendentemente da quanti dettagli vi siano allegati, non contiene informazioni sufficienti per prevedere dove si posizionerà il livello del farmaco di un paziente. I ricercatori hanno osservato che fattori che non potevano misurare, come se un paziente avesse effettivamente assunto il farmaco come prescritto o le differenze genetiche nel modo in cui il fegato elabora i farmaci, giocano probabilmente un ruolo enorme. Il modello di apprendimento automatico non ha trovato schemi segreti che il modello più semplice aveva mancato; entrambi concordavano sul fatto che l'età e la dose corretta per il peso fossero i fattori più importanti, eppure anche questi erano insufficienti. Lo studio ha anche confermato che la relazione tra età e livelli del farmaco non è la stessa per tutti, con i bambini che mostrano un legame più stretto tra la dose che ricevono e il livello che raggiungono rispetto agli adulti, che hanno risultati molto più imprevedibili.

In definitiva, la ricerca funge da monito per il campo della medicina personalizzata. Dimostra che, sebbene abbiamo strumenti potenti per analizzare i dati, non siamo ancora in grado di prevedere esiti biologici complessi da un singolo istante nel tempo. L'idea che un algoritmo informatico possa istantaneamente dire a un medico la dose perfetta basandosi su un normale esame del sangue e su alcuni fatti di base non è supportata da questa evidenza. Invece, i risultati rafforzano la necessità per i medici di fare affidamento sull'osservazione attenta nel tempo, monitorando come i livelli di un paziente cambiano con test ripetuti. L'unica regola chiara emersa è che se un paziente assume specifici farmaci interagenti, i suoi livelli saranno probabilmente più bassi, e questo deve essere tenuto in considerazione manualmente. Per il resto, la strada verso un dosaggio veramente individualizzato richiede più di un semplice software migliore; richiede un esame più approfondito della storia del paziente, della sua genetica e della sua reale aderenza al piano terapeutico, raccolti nel corso di un lungo periodo piuttosto che in un singolo momento.