Integrating stakeholder perspectives in modeling routine data for therapeutic decision-making

Este artigo apresenta um quadro conceitual inclusivo que integra as prioridades de diversos interessados na modelagem de dados de saúde rotineiros, utilizando modelos multieestado como ferramenta metodológica para gerar evidências terapêuticas que sejam simultaneamente clinicamente relevantes, cientificamente rigorosas e socialmente aceitáveis.

O essencial

Imagine que você está tentando montar um quebra-cabeça gigante para decidir qual é o melhor remédio para uma doença. As peças desse quebra-cabeça são os dados de saúde que os hospitais e clínicas já coletam todos os dias (como prontuários eletrônicos, resultados de exames e registros de consultas).

O problema é que, quando as pessoas olham para essas peças, cada uma vê algo diferente, dependendo de quem elas são. É como se quatro amigos diferentes olhassem para a mesma foto de uma paisagem e cada um focasse em um detalhe distinto:

1. O Médico (O Guia): Ele quer saber: "Essa peça faz sentido para o meu paciente? Eu consigo entender o que está acontecendo?" Para ele, a clareza e a utilidade prática são tudo.
2. A Indústria Farmacêutica (O Construtor): Ela pergunta: "Isso segue todas as regras do jogo? Podemos usar isso para provar que nosso remédio funciona?" Para eles, é sobre cumprir normas e gerar evidências sólidas.
3. O Grupo de Pacientes (O Protagonista): Eles dizem: "E a minha voz? E minha privacidade? O que eu sinto está sendo contado?" Para eles, é sobre transparência, inclusão e proteção dos dados pessoais.
4. O Estatístico (O Arquiteto): Ele avisa: "Cuidado com as peças tortas! Precisamos garantir que não haja erros de cálculo ou viés que distorçam a imagem." Para ele, a precisão matemática é fundamental.

O Problema:
Muitas vezes, esses grupos trabalham separados. O estatístico faz um cálculo perfeito que o médico não entende. A indústria gera um relatório que o paciente acha opaco. O resultado é um quebra-cabeça incompleto ou uma imagem que não ajuda ninguém a tomar a melhor decisão.

A Solução Proposta pelo Artigo:
Os autores criaram um "Mapa de Convivência". Eles reuniram todos esses grupos em uma sala (uma oficina) e criaram um plano para que todos pudessem trabalhar juntos desde o início.

A ideia central é: não comece a montar o quebra-cabeça sem saber quem vai olhar para a imagem final.

A Ferramenta Mágica: Os "Modelos de Múltiplos Estados"
O artigo sugere uma ferramenta específica chamada modelos de multieestado. Vamos usar uma analogia simples:

Imagine que a doença não é uma linha reta (doença -> cura), mas sim uma trilha de aventura com várias paradas.

• Você pode ir da "Parada A" (doença leve) para a "Parada B" (efeito colateral) e depois para a "Parada C" (melhora).
• Ou pode ir direto da "Parada A" para a "Parada D" (cura).

Esses modelos funcionam como um GPS dinâmico que mostra todas as rotas possíveis que um paciente pode seguir.

• Para o Médico: O mapa é visual e fácil de ler (mostra o caminho provável).
• Para a Indústria: Mostra exatamente onde o remédio ajudou a mudar a rota da doença.
• Para o Paciente: Mostra que a jornada é complexa e que cada passo conta.
• Para o Estatístico: Garante que o GPS não está desviando para rotas falsas (viés).

Conclusão Simples:
Este artigo diz que, para criar evidências reais sobre remédios que sejam úteis para todos, precisamos parar de trabalhar em silos. Precisamos alinhar a pergunta de pesquisa com as necessidades de todos os envolvidos desde o primeiro minuto.

Ao usar ferramentas flexíveis (como esse GPS de múltiplos estados) e ouvir a todos (médicos, pacientes, indústria e cientistas), conseguimos construir uma imagem mais clara, justa e precisa da realidade, ajudando a tomar decisões de saúde melhores para todos.

Resumo técnico

Título: Integração de Perspectivas das Partes Interessadas na Modelagem de Dados Rotineiros para Tomada de Decisão Terapêutica

1. Problema Identificado

O artigo aborda o desafio crítico no uso de dados de saúde coletados rotineiramente (dados do mundo real) para gerar evidências que suportem decisões terapêuticas. Embora esses dados sejam cada vez mais utilizados, existe uma desconexão fundamental entre as prioridades dos diversos stakeholders (partes interessadas).

• O Conflito: Clínicos, representantes da indústria farmacêutica, grupos de defesa de pacientes e estatísticos possuem focos distintos em relação à qualidade dos dados, análise e interpretação.
• O Risco: Sem uma consideração explícita dessas perspectivas divergentes, as análises correm o risco de se tornarem fragmentadas, desalinhadas com as necessidades dos usuários finais ou carecerem de transparência, comprometendo a utilidade da evidência gerada.

2. Metodologia

Os autores desenvolveram uma abordagem qualitativa e conceitual baseada em:

• Workshop Interdisciplinar: Realização de uma sessão de trabalho envolvendo representantes de todas as partes interessadas mencionadas para mapear necessidades e prioridades.
• Revisão de Literatura Direcionada: Uso de exemplos da literatura para apoiar e validar as discussões do workshop.
• Desenvolvimento de um Framework Conceitual: Criação de um modelo que mapeia as prioridades específicas de cada grupo para requisitos metodológicos, identificando estratégias analíticas capazes de integrar essas diversas perspectivas.

3. Principais Contribuições e Resultados

O estudo resulta em um framework inclusivo que detalha como as prioridades de cada grupo podem ser operacionalizadas na modelagem estatística:

• Mapeamento de Prioridades por Grupo:

  • Clínicos: Priorizam a interpretabilidade e a relevância clínica direta dos resultados.
  • Indústria Farmacêutica: Focam na conformidade regulatória e na geração robusta de evidências do mundo real (RWE).
  • Grupos de Pacientes: Enfatizam a transparência, a inclusão de resultados relatados pelos pacientes (PROs) e a proteção de privacidade.
  • Estatísticos: Concentram-se no controle de viés e no rigor metodológico.

• Solução Metodológica Proposta (Modelos Multieestado):
  O artigo destaca os modelos multieestado como uma abordagem metodológica exemplar para operacionalizar esses requisitos. Estes modelos permitem:

  • Capturar trajetórias dinâmicas da doença (não apenas estados estáticos).
  • Integrar resultados intermediários ao longo do tempo.
  • Oferecer uma visualização gráfica que melhora a interpretabilidade para clínicos e pacientes.

• O Papel Fundamental do Estatístico:
  O texto reforça que a pesquisa clínica depende intrinsecamente da expertise estatística. O papel do estatístico é descrito como um espectro que varia desde:

  1. Consultoria para análises padrão;
  2. Aplicação ou adaptação de métodos avançados para análises complexas;
  3. Desenvolvimento de novos métodos para questões de pesquisa que exigem abordagens inovadoras devido às suas características específicas.

4. Significância e Conclusão

A principal contribuição do artigo é fornecer orientação metodológica para desenhar análises de dados de saúde rotineiros que sejam simultaneamente:

• Clinicamente significativas: Resolvendo problemas reais de prática médica.
• Cientificamente rigorosas: Mantendo o controle de viés e a validade estatística.
• Socialmente aceitáveis: Respeitando a privacidade e a transparência exigidas pelos pacientes.

Ao alinhar a pergunta de pesquisa com a perspectiva pretendida desde o início, o framework proposto apoia uma geração de evidências mais robusta e transparente. Os modelos multieestado são apresentados não apenas como uma ferramenta técnica, mas como um meio flexível para operacionalizar essa integração de perspectivas, garantindo que a evidência do mundo real seja útil para todos os atores envolvidos no processo de decisão terapêutica.