Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
Each language version is independently generated for its own context, not a direct translation.
Prever o risco de não tomar medicamentos: uma nova abordagem com dados reais
Gerenciar doenças crônicas, como diabetes e hipertensão, exige que os pacientes sigam rigorosamente as prescrições médicas. No entanto, cerca de metade das pessoas com condições crônicas não toma seus medicamentos conforme o orientado. Esse comportamento pode levar ao agravamento da doença, a internações hospitalares e gera custos bilionários para os sistemas de saúde. Em locais com poucos recursos, identificar quem corre esse risco é ainda mais difícil devido à falta de dados detalhados ou acompanhamento constante.
Um novo estudo apresenta o MedAdhereAI, um sistema de inteligência artificial projetado para prever se um paciente corre o risco de não seguir seu tratamento. Diferente de outros modelos que exigem exames laboratoriais complexos ou históricos médicos profundos, este sistema utiliza apenas dados de uso cotidiano: registros de quando os pacientes buscam novas receitas e informações básicas de cadastro.
Os pesquisadores treinaram dois modelos matemáticos diferentes para analisar esses dados. O primeiro modelo, baseado em regressão logística, alcançou uma capacidade de identificação de risco de 0,82 (em uma escala de 0 a 1), enquanto o segundo modelo, uma floresta aleatória, alcançou 0,77. O modelo de regressão logística mostrou-se mais confiável para fornecer estimativas de probabilidade precisas.
Para que os médicos possam confiar nessas previsões, o sistema não funciona como uma "caixa preta" que entrega apenas um resultado sem explicação. Os autores integraram uma ferramenta de análise que detalha os motivos por trás de cada previsão. Ao analisar os dados, o sistema identificou que o número total de consultas médicas, a idade do paciente e o intervalo de tempo entre as compras de medicamentos são os fatores que mais influenciam o risco de não adesão.
Por exemplo, se o sistema identificar um paciente com risco elevado, ele pode mostrar que esse risco é causado especificamente pelo aumento no tempo de espera entre uma renovação de receita e outra. Essa transparência permite que o profissional de saúde entenda o porquê daquela classificação e possa planejar uma intervenção direcionada para aquele indivíduo.
O estudo demonstra que é possível criar uma ferramenta de suporte à decisão que seja escalável e utilizável mesmo em ambientes de saúde com infraestrutura limitada, pois ela depende de informações que já são coletadas rotineiramente pelas farmácias e sistemas de saúde. Os pesquisadores indicam que trabalhos futuros podem incluir a integração de outros dados, como resultados de exames e fatores sociais, para aumentar ainda mais a precisão do sistema.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.