A joint model for (un)bounded longitudinal markers, competing risks, and recurrent events using patient registry data

No mundo da pesquisa médica, médicos e cientistas frequentemente monitoram dois tipos diferentes de informações para entender como uma doença se move pelo corpo de uma pessoa. O primeiro tipo é uma série de medições feitas ao longo do tempo, como verificar a pressão arterial ou a capacidade pulmonar de um paciente a cada poucos meses. Essas são chamadas de marcadores longitudinais, e elas contam uma história de mudança, mostrando se um paciente está melhorando ou piorando lentamente. O segundo tipo de informação refere-se a momentos específicos em que algo significativo acontece, como uma visita súbita ao hospital, uma complicação grave ou até mesmo a morte. Esses são conhecidos como eventos clínicos. Por décadas, pesquisadores tentaram construir modelos matemáticos que liguem esses dois fluxos de dados, perguntando como as mudanças lentas e constantes nas medições de saúde de um paciente podem prever quando um evento súbito e sério ocorrerá. Essa conexão é vital porque permite que os médicos antecipem problemas antes que eles se tornem emergências. No entanto, os dados médicos da vida real raramente são simples. Os pacientes frequentemente passam pelo mesmo tipo de crise várias vezes, e enfrentam diferentes tipos de desfechos graves que competem entre si, como o risco de morrer versus o risco de precisar de um transplante. Além disso, muitas medições de saúde são limitadas, o que significa que não podem ser inferiores a zero ou superiores a um certo limite, o que as torna difíceis de analisar com ferramentas padrão que assumem que os números podem se estender infinitamente em ambas as direções.

Uma equipe de estatísticos e epidemiologistas desenvolveu uma nova forma mais sofisticada de conectar essas peças complexas de informação. O trabalho deles foca na fibrose cística, um distúrbio genético grave que danifica os pulmões e o sistema digestivo. Pacientes com essa condição são monitorados de perto para dois indicadores principais: o índice de massa corporal, que reflete seu estado nutricional, e uma medida de sua função pulmonar chamada percentagem do volume expiratório forçado no segundo previsto. Essa medição pulmonar é uma percentagem que normalmente varia de zero a cem, embora possa ocasionalmente ultrapassar ligeiramente cem com um tratamento eficaz. Como esse número está preso dentro de uma faixa específica, os métodos estatísticos padrão costumam ter dificuldade em modelá-lo com precisão, por vezes produzindo resultados impossíveis, como uma capacidade pulmonar negativa. Os pesquisadores também precisavam levar em conta o fato de que os pacientes podem sofrer infecções pulmonares repetidas, conhecidas como exacerbações pulmonares, e que enfrentam dois riscos distintos e concorrentes ao final de sua jornada: a morte por insuficiência respiratória ou o recebimento de um transplante de pulmão. Métodos anteriores frequentemente forçavam os pesquisadores a ignorar parte dessa informação, como tratar múltiplas infecções como um único evento ou combinar a morte e o transplante em uma única categoria, o que obscurecia detalhes importantes sobre a doença.

Para resolver esses problemas, os pesquisadores criaram uma estrutura estatística unificada que pode lidar com todas essas complexidades de uma só vez. Em vez de forçar os dados da função pulmonar em uma curva padrão que permite valores impossíveis, eles usaram uma forma matemática flexível projetada especificamente para números que permanecem dentro de um limite definido. Essa abordagem garante que o modelo apenas preveja valores realistas de função pulmonar. Eles então ligaram esse modelo de medição aprimorado ao tempo de infecções repetidas e aos riscos concorrentes de morte e transplante. Ao fazer isso, puderam ver como a trajetória da função pulmonar e do peso corporal de um paciente influenciava a probabilidade de uma futura infecção ou de um evento terminal, enquanto também consideravam o fato de que um paciente que recebe um transplante não está mais em risco de morrer de insuficiência respiratória da mesma forma. A equipe testou este novo método usando um banco de dados massivo contendo registros de saúde de mais de vinte e três mil indivíduos com fibrose cística nos Estados Unidos, abrangendo quase duas décadas. Este conjunto de dados incluiu milhões de medições individuais e rastreou milhares de hospitalizações, transplantes e mortes.

Os resultados da aplicação deste novo modelo aos dados do mundo real revelaram um quadro mais claro de como a doença progride. A análise mostrou que o risco de um paciente ter uma infecção pulmonar aumenta se ele tiver tido muitas infecções no passado, confirmando que a doença tende a se agrupar em episódios. Mais importante ainda, o modelo demonstrou que tanto a função pulmonar quanto o índice de massa corporal são preditores poderosos de riscos futuros. Especificamente, um declínio mais rápido na função pulmonar estava fortemente associado a um maior risco de morte, enquanto o histórico cumulativo das mudanças no índice de massa corporal estava ligado ao risco de ter outra infecção. O estudo descobriu que o risco de morte e o risco de precisar de um transplante são influenciados de forma diferente por esses marcadores, provando que tratá-los como um único desfecho teria perdido nuances críticas. Por exemplo, o modelo mostrou que uma queda de uma unidade na função pulmonar e uma taxa de declínio mais rápida aumentavam o perigo de morte em quantidades distintas, destacando a importância de rastrear a velocidade da mudança, não apenas o valor atual. Os pesquisadores também descobriram que pacientes que eram mais frágeis — um termo que descreve um estado geral de vulnerabilidade — eram significativamente mais propensos a sofrer infecções, receber um transplante ou morrer.

O estudo também serviu como um teste para ver se o uso dos métodos antigos e mais simples levaria a conclusões erradas. Quando os pesquisadores simularam dados onde a função pulmonar era estritamente limitada e depois tentaram analisá-los com os métodos tradicionais que assumem que os números podem ir para qualquer lugar, os resultados foram distorcidos. A abordagem mais antiga produziu estimativas enviesadas, sugerindo que a relação entre a saúde pulmonar e o risco de morte era muito mais fraca do que realmente era. Isso confirmou que o novo método não é apenas um pequeno ajuste, mas uma melhoria necessária para uma análise precisa. A equipe disponibilizou seu novo modelo para outros cientistas através de um pacote de software gratuito, permitindo que pesquisadores apliquem esta mesma abordagem rigorosa a outras doenças com estruturas de dados complexas semelhantes. Ao capturar a história completa da jornada de saúde de um paciente — os retrocessos repetidos, os perigos concorrentes e a natureza limitada de seus sinais vitais — este trabalho fornece uma ferramenta mais precisa para compreender a progressão da doença. Oferece uma maneira de quantificar a relação entre os sinais clínicos mais importantes e eventos fatais com um nível de detalhe que era anteriormente impossível, potencialmente ajudando médicos a gerir estas condições de forma mais eficaz no futuro.