Resumo Técnico: Otimização de Intervalos de Acompanhamento Sensível ao Contexto para o Cuidado do Diabetes Tipo 2 Usando Processos de Decisão de Markov

Definição do Problema

As diretrizes clínicas atuais para o manejo do Diabetes Tipo 2 (DT2) prescrevem intervalos de tempo fixos para visitas de acompanhamento na atenção primária (por exemplo, trimestral para pacientes descontrolados, semestral para pacientes controlados), independentemente da heterogeneidade individual do paciente. Essa abordagem de "tamanho único" falha em considerar a natureza dinâmica das trajetórias clínicas, os perfis de risco variáveis e os compromissos entre o monitoramento frequente (que sobrecarrega pacientes e sistemas) e o monitoramento infrequente (que corre o risco de perder a deterioração glicêmica). Estudos existentes concentraram-se amplamente em associações de médias populacionais entre intervalos fixos e desfechos ou na seleção de tratamentos, carecendo de uma estrutura prescritiva para otimizar os intervalos de acompanhamento com base na evolução do contexto do paciente.

Metodologia

O estudo propõe um framework de Processo de Decisão de Markov Contextual (CMDP) para derivar políticas de acompanhamento personalizadas e específicas ao contexto usando dados longitudinais de Registros Eletrônicos de Saúde (EHR) de 22.154 pacientes com DT2 em 10 clínicas de atenção primária (2017–2023). O pipeline analítico consiste em quatro estágios:

1. Pré-processamento de Dados e Engenharia de Atributos

O framework utiliza variáveis estáticas e dinâmicas:

• Variáveis Estáticas: Demografia (idade, sexo), comorbidades (DCV, DRC, complicações do DT2) e histórico de utilização de serviços de saúde.
• Variáveis Dinâmicas: Definidas em cada época de decisão (visita do PCP $t$):
  • Status Glicêmico: Categorizado como Em Controle ($HbA1c < 6,5\%$), Fora de Controle ($\ge 6,5\%$) ou Não Medido.
  • Hospitalização no Intervalo: Indicador binário de admissão entre as visitas.
  • Tendência de HbA1c: Mudança na $HbA1c$($\Delta HbA1c$) categorizada como Melhorando, Estável, Piorando ou Indefinida.

2. Redução de Dimensionalidade (PCA)

Para lidar com a alta dimensionalidade das trajetórias clínicas (sequências de 24 estados distintos por visita), a Análise de Componentes Principais (PCA) foi aplicada. O estudo reteve 83 componentes principais (PCs) que explicavam coletivamente pelo menos 95% da variância no espaço original de 409 dimensões.

3. Agrupamento para Identificação de Contexto

Os pacientes foram atribuídos a "contextos" distintos usando o algoritmo K-Prototypes, que lida com dados mistos numéricos (PCs) e categóricos (variáveis estáticas). O número ideal de clusters ($K=2$) foi determinado maximizando o coeficiente de silhueta médio. Isso resultou em duas subpopulações distintas:

• Contexto 1 (Alto Risco): Pacientes mais velhos com maiores cargas de comorbidades (DRC, DCV, complicações).
• Contexto 2 (Baixo Risco): Pacientes relativamente mais jovens, mais saudáveis e com menos complicações.

4. Formulação do CMDP

O problema de otimização é modelado como um CMDP de horizonte infinito descontado definido pela tupla $(S, A, \{P_z\}, \{C_z\}, \gamma)$:

• Espaço de Estados ($S$): O produto cartesiano do status glicêmico, status de hospitalização e tendência de $HbA1c$, além de um estado de absorção de "Perda de Seguimento".
• Espaço de Ações ($A$): Intervalos de acompanhamento discretizados: 1, 3, 6, 12 ou >12 meses.
• Função de Custo ($C_z$): Uma função de custo não monetária que agrega quatro componentes para quantificar o ônus clínico:
  1. Ônus Glicêmico ($C_G$): Tempo gasto com $HbA1c > 6,5\%$, ponderado pela severidade das transições de estado.
  2. Incerteza de Medição ($C_M$): Penalidade por agir sobre dados de $HbA1c$ não medidos ou desatualizados, escalonando com a duração da incerteza.
  3. Custo de Hospitalização ($C_I$): Penalidade por admissões hospitalares ocorrendo entre as visitas.
  4. Custo de Utilização de Visitas ($C_F$): Uma penalidade côncava para visitas frequentes para desencorajar o ônus desnecessário, modelada via um logaritmo transformado.
• Objetivo: Minimizar o custo cumulativo descontado esperado para cada contexto $z$.

Principais Resultados

1. Descoberta de Contexto

O agrupamento identificou com sucesso dois grupos clinicamente distintos. Os pacientes do Contexto 1 eram significativamente mais velhos (64,1% $\ge$ 60 anos) e apresentavam taxas mais altas de DRC (34,45% vs. 23,96%), DCV (40,69% vs. 33,15%) e complicações de DT2 em comparação ao Contexto 2.

2. Políticas Ótimas

As políticas aprendidas pelo CMDP revelaram uma estratificação matizada e orientada por dados:

• $HbA1c$ Não Medido: Ambos os contextos recomendam um acompanhamento de 1 mês, priorizando a rápida re-medição para reduzir a incerteza.
• Fora de Controle/Piorando: Ambos os contextos recomendam intervalos curtos (1–3 meses). O Contexto 1 (alto risco) frequentemente assume o intervalo mais curto (1 mês) quando sinais adversos (tendência de piora ou hospitalização) estão presentes.
• Em Controle/Estável:
  • Contexto 2 (Baixo Risco): As políticas frequentemente recomendam intervalos estendidos de 12 meses.
  • Contexto 1 (Alto Risco): As políticas limitam os intervalos em 6 meses, refletindo uma abordagem mais conservadora mesmo para pacientes estáveis devido ao maior risco basal.
• Tendência Geral: Para quase todos os estados clínicos, o intervalo recomendado para o contexto de alto risco é menor ou igual ao do contexto de baixo risco.

3. Desempenho Comparativo

As políticas do CMDP foram testadas contra três heurísticas: diretrizes fixas da ADA, uma política fixa de 3 meses e uma política fixa de 6 meses.

• Contexto de Alto Risco: A política CMDP reduziu o custo cumulativo esperado em aproximadamente 34,8% em relação à política de intervalo fixo semelhante à ADA.
• Contexto de Baixo Risco: A política CMDP reduziu o custo em aproximadamente 6,4% em relação à política de intervalo fixo.
• Robustez: Análises de sensibilidade variando os parâmetros de custo (penalidades de incerteza, pesos de hospitalização e adversidade de transição) confirmaram que a política CMDP superou consistentemente todos os benchmarks em uma ampla gama de especificações de parâmetros.

Significância e Alegações

O artigo afirma que este estudo fornece um framework prescritivo para estratégias de acompanhamento adaptativas na atenção primária, indo além das associações descritivas para otimizar a tomada de decisão sob incerteza.

• Contribuição Clínica: O estudo operacionaliza o compromisso entre o tempo gasto em estados descontrolados e a utilização de serviços de saúde. Demonstra que abordagens sensíveis ao contexto podem sintetizar aprendizado de máquina (agrupamento/PCA) e modelos de decisão probabilística (MDP) para gerar políticas interpretáveis que se alinham à intuição clínica enquanto abordam as necessidades de subpopulações específicas.
• Novidade Metodológica: O trabalho introduz uma aplicação inovadora de redução de dimensionalidade em trajetórias pós-diagnóstico complexas e agrupamento de dados mistos dentro de um framework de CMDP.
• Resultado: Os achados sugerem que intervalos personalizados e específicos ao contexto podem reduzir significativamente o ônus clínico esperado (custo) em comparação com diretrizes estáticas, particularmente para populações com alta carga de comorbidades, sem aumentar o risco de perda de deterioração.

Os autores reconhecem limitações quanto à generalização dos dados (sistema de saúde único) e a exclusão de modalidades não presenciais (telemedicina) e resultados relatados pelo paciente, apontando-as como áreas para pesquisas futuras.