Building a prediction model for outcomes following treatment in UK NHS Talking Therapies services for depression and anxiety

Este estudo desenvolveu e validou internamente modelos de previsão baseados em dados rotineiros para identificar pacientes com maior risco de resultados desfavoráveis após tratamento no serviço NHS Talking Therapies do Reino Unido, visando apoiar decisões clínicas mais personalizadas e equitativas para depressão e ansiedade.

O essencial

🏥 O "GPS" da Saúde Mental no Reino Unido: Prevendo Quem Vai Melhorar

Imagine que o NHS Talking Therapies (Terapias de Conversa do Serviço Nacional de Saúde do Reino Unido) é como uma enorme escola de direção para pessoas que estão aprendendo a lidar com a depressão e a ansiedade. Todos os anos, mais de 1 milhão de alunos entram nessa escola. O objetivo é que todos aprendam a dirigir com segurança (se recuperem) e voltem à estrada da vida normal.

No entanto, o estudo descobriu um problema: apenas metade dos alunos consegue passar na prova final. A outra metade ainda está com dificuldade, mesmo depois de fazer as aulas.

Os pesquisadores (Nour, Megan, Ewan e equipe) queriam saber: "Por que alguns passam e outros não? Podemos prever isso antes mesmo da primeira aula?"

Eles criaram um "GPS de Previsão" (um modelo matemático) usando dados de quase 31.000 pessoas. O objetivo não é rotular ninguém, mas sim ajudar os "instrutores" (terapeutas) a saberem, logo no início, quem precisa de um mapa mais detalhado ou de um instrutor extra.

---

🧩 Como Funciona o "GPS"?

Pense no modelo como um cozinheiro experiente que tenta prever se um bolo vai ficar perfeito. O cozinheiro não precisa provar o bolo para saber; ele olha para os ingredientes antes de colocar no forno.

Neste estudo, os "ingredientes" são os dados que os pacientes fornecem na primeira consulta:

• A gravidade dos sintomas: Quão "pesada" está a nuvem de depressão ou ansiedade?
• A vida fora da terapia: A pessoa está desempregada? Recebe ajuda do governo? Tem uma doença crônica?
• A barreira da língua: A pessoa fala inglês fluentemente?
• O contexto social: A pessoa tem deficiência? Qual é a sua etnia?

O "GPS" analisa todos esses ingredientes juntos e calcula a probabilidade de o "bolo" (o tratamento) dar certo.

---

🔍 O Que o GPS Descobriu? (Os Ingredientes Importantes)

O estudo mostrou que o GPS é bastante preciso (como um navegador que acerta o caminho na maioria das vezes). Mas o que mais chama a atenção são os ingredientes que mais influenciam o resultado:

1. O Desemprego por Doença é o "Tempero" Mais Forte:
   A maior pista de que alguém pode ter dificuldade em melhorar é estar desempregado por causa de uma doença ou deficiência. É como se o carro tivesse um pneu furado e o motorista estivesse tentando dirigir na chuva. O tratamento psicológico é ótimo, mas se a vida prática (trabalho, dinheiro) está desmoronando, é mais difícil recuperar o equilíbrio.

2. A Barreira da Língua:
   Pessoas que não falam inglês fluentemente têm mais dificuldade. Imagine tentar aprender a dirigir com um manual em uma língua que você não entende. O GPS avisa: "Ei, precisamos de um instrutor que fale a língua do aluno ou usar tradutores!"

3. Medicamentos e Doenças Crônicas:
   Quem já toma remédios para a mente ou tem outras doenças de longo prazo tende a ter um caminho mais íngreme. Não é impossível, mas exige mais cuidado.

4. A Etnia e a Cultura:
   O estudo notou que pessoas de minorias étnicas (como a comunidade negra no Reino Unido) muitas vezes têm resultados piores. O estudo explica que isso não é culpa delas, mas sim de barreiras invisíveis: racismo, falta de representação nos terapeutas e serviços que não entendem a cultura delas. É como tentar entrar em um clube onde as regras foram feitas para outra pessoa.

---

🎯 Para Que Serve Tudo Isso? (A Mágica da Personalização)

A ideia principal é não tratar todo mundo igual.

• O Cenário Antigo: Todos recebem o mesmo manual de direção, independentemente de terem um carro esportivo ou um caminhão velho.
• O Novo Cenário (com o GPS):
  • Se o GPS diz que o paciente tem alta chance de melhorar com o tratamento padrão: "Ótimo, siga em frente!"
  • Se o GPS diz que o paciente tem risco de não melhorar (por exemplo, está desempregado e não fala inglês): O terapeuta pode dizer: "Vamos mudar o plano. Vamos adicionar um suporte para ajudar você a conseguir um emprego, ou vamos garantir que você tenha um terapeuta que fale sua língua."

Isso é chamado de Cuidado Personalizado. É como um médico que, ao ver que você tem alergia a amendoim, não te dá um bolo de amendoim, mesmo que seja o bolo favorito de todos os outros.

---

⚠️ O Que o Estudo Não Faz (E o Que Ainda Falta)

O estudo é muito bom, mas tem limites:

• É um "Mapa Local": Os dados vêm de Londres (South London). O GPS funciona muito bem nessa cidade, mas pode precisar de ajustes para funcionar em outras partes do Reino Unido ou do mundo.
• Não é uma Bola de Cristal: O modelo diz "risco", não "destino". Ele ajuda a tomar decisões, mas não garante o futuro.
• Precisa de Testes Reais: Agora, os pesquisadores precisam testar se usar esse GPS na vida real realmente ajuda os pacientes a se recuperarem mais rápido.

🚀 Conclusão

Este estudo é como ter um radar de tempestade para a saúde mental. Em vez de esperar a tempestade (a crise) acontecer, o radar avisa onde as nuvens estão se formando.

Ao identificar cedo quem precisa de ajuda extra — seja um terapeuta que fala a mesma língua, ajuda com emprego ou suporte para doenças crônicas — o sistema de saúde pode ser mais justo e eficiente. O objetivo final é garantir que, independentemente de quem você é ou de onde vem, você tenha as melhores ferramentas para superar a depressão e a ansiedade.

Resumo técnico

Título: Construção de um Modelo de Previsão para Resultados após Tratamento nos Serviços de Terapias Conversacionais do NHS (UK) para Depressão e Ansiedade

1. Problema e Contexto

As condições de saúde mental, especificamente depressão e ansiedade, são altamente prevalentes no Reino Unido. O programa NHS Talking Therapies (anteriormente IAPT) é o maior provedor de terapias baseadas em evidências, tratando mais de 1,26 milhão de encaminhamentos anualmente. No entanto, apenas cerca de 50% dos pacientes atingem os limiares de recuperação, e há uma variabilidade significativa nos resultados.

• Limitações da Literatura Existente: Estudos anteriores focaram frequentemente em associações em nível de grupo em vez de previsão em nível individual. Muitos modelos foram desenvolvidos em amostras predominantemente brancas, limitando a generalização e a equidade, especialmente considerando que a etnia está associada a diferenças no acesso e nos resultados. Além disso, muitos modelos carecem de validação rigorosa (especialmente calibração), o que é crucial para a tomada de decisão clínica individualizada.
• Objetivo: Desenvolver e validar internamente modelos de previsão multivariados robustos utilizando dados rotineiros de uma amostra grande e etnicamente diversa para permitir decisões de tratamento mais personalizadas e justas.

2. Metodologia

• Amostra e Dados:

  • Fonte: Dados extraídos do Clinical Record Interactive Search (CRIS) do South London and Maudsley NHS Foundation Trust (SLaM).
  • Período: Janeiro de 2018 a agosto de 2024.
  • Critérios de Inclusão: Adultos (≥18 anos) que completaram terapia de alta intensidade (ex: Terapia Cognitivo-Comportamental) com 3 a 21 sessões.
  • Tamanho Final da Amostra: 30.999 pacientes.
  • Diversidade: A amostra é predominantemente feminina (73%), com mediana de idade de 34 anos. 57% se identificaram como brancos e 22% como negros, oferecendo uma diversidade étnica superior à média nacional do Reino Unido.

• Variáveis de Resultado (Outcomes):
  Foram modelados sete resultados binários pós-tratamento:

  1. Melhora Confiável (Reliable Improvement) para Depressão (PHQ-9) e Ansiedade (GAD-7).
  2. Recuperação (Recovery) para Depressão e Ansiedade.
  3. Recuperação Confiável (Reliable Recovery) para Depressão e Ansiedade.
  4. Prejuízo Funcional (Functional Impairment) medido pela escala WSAS no final do tratamento.

• Variáveis Preditivas (Predictors):
  Coletadas na linha de base, incluindo:

  • Sociodemográficas: Idade, gênero, orientação sexual, etnia, proficiência em inglês, índice de privação múltipla (IMD), status de emprego, recebimento de benefícios e licença médica.
  • Clínicas: Diagnóstico primário, presença de condições de longo prazo, deficiência, uso de medicação psicotrópica, histórico de encaminhamentos anteriores e gravidade dos sintomas (PHQ-9, GAD-7, WSAS, fobias).

• Desenvolvimento do Modelo:

  • Algoritmo: Regressão logística Elastic Net (que equilibra viés e variância, reduzindo o overfitting e garantindo interpretabilidade).
  • Pré-processamento: Imputação de dados ausentes usando K-Nearest Neighbors (KNN) com K=5.
  • Validação: Validação interna rigorosa utilizando resampling bootstrap aninhado (200 iterações) para corrigir o otimismo e estimar o desempenho real em novos dados.
  • Métricas de Avaliação: Área sob a curva (AUC), sensibilidade, especificidade, Brier score e, crucialmente, calibração (inclinação e intercepto).

• Análises de Sensibilidade:

  • Comparação com outros algoritmos (LASSO, Random Forest, Gradient Boosting).
  • Análise excluindo o período da pandemia (março 2020 a janeiro 2022) para verificar a estabilidade temporal.

3. Resultados Principais

• Desempenho do Modelo:

  • Os modelos demonstraram discriminação moderada a boa (AUC variando de 0,63 a 0,77).
  • Calibração Forte: Os modelos apresentaram excelente alinhamento entre riscos previstos e resultados observados (inclinações próximas a 1,00 e interceptos próximos a 0), indicando que as probabilidades previstas são confiáveis para uso clínico.
  • Melhor Desempenho: O modelo para Prejuízo Funcional teve o melhor desempenho (AUC = 0,77), seguido pela Melhora Confiável na Depressão (AUC = 0,76) e Ansiedade (AUC = 0,75).
  • Recuperação Confiável: Teve desempenho inferior (AUC ~0,63-0,67), o que é esperado dado que combina dois critérios estritos (cruzar o limiar clínico e exceder o erro de medição).

• Comparação com Outros Algoritmos:

  • O Elastic Net foi escolhido como o modelo final por oferecer o melhor equilíbrio entre discriminação, calibração robusta e simplicidade interpretável.
  • Random Forest teve melhor discriminação, mas calibração pobre.
  • Gradient Boosting teve desempenho comparável, mas o Elastic Net foi preferido pela menor complexidade e risco de overfitting.

• Fatores Preditivos Chave:
  Os preditores mais importantes alinharam-se com expectativas clínicas e incluíram:

  1. Gravidade dos Sintomas na Linha de Base: Pontuações iniciais de PHQ-9, GAD-7 e WSAS.
  2. Fatores Socioeconômicos: Desemprego (especialmente devido a doença/deficiência), recebimento de benefícios e status de emprego.
  3. Comorbidades e Condições: Presença de deficiência, condições de longo prazo e uso de medicação psicotrópica.
  4. Fatores Demográficos e Culturais: Incapacidade de falar inglês, etnia (minorias étnicas associadas a piores resultados) e orientação sexual (grupos LGBTQ+ associados a maior prejuízo funcional).

4. Contribuições e Significância

• Equidade e Diversidade: Ao utilizar uma amostra etnicamente diversa (com 22% de pacientes negros), o estudo aborda uma lacuna crítica na literatura, onde modelos anteriores eram frequentemente desenvolvidos em amostras brancas, limitando sua aplicabilidade e equidade.
• Validação Rigorosa: A ênfase na calibração e na validação interna via bootstrap aninhado supera muitas publicações anteriores que focavam apenas na AUC. Isso é vital para a confiança clínica, pois modelos mal calibrados podem levar a decisões de tratamento errôneas.
• Aplicação Clínica (Cuidado Estratificado):
  • Os modelos permitem a identificação precoce de pacientes com maior risco de não responder ao tratamento padrão.
  • Isso pode direcionar intervenções personalizadas, como monitoramento mais frequente, ajustes na intensidade do tratamento, encaminhamento para suporte de emprego ou terapias culturalmente adaptadas.
  • Ajuda a corrigir o viés de otimismo dos clínicos em relação ao prognóstico dos pacientes.
• Política de Saúde: Os resultados reforçam a necessidade de integrar dados sociodemográficos e de emprego nos registros clínicos rotineiros para melhorar a precisão preditiva e abordar desigualdades estruturais no acesso e eficácia do tratamento.

5. Limitações e Futuro

• Validação Externa: O estudo foi realizado em um único Trust (SLaM) em Londres. Embora a amostra seja diversificada, a validação externa em outras regiões do Reino Unido é necessária antes da implementação generalizada.
• Medição de Resultados: O uso de medidas transdiagnósticas (GAD-7) pode não capturar nuances de transtornos específicos de ansiedade, embora seja necessário para a consistência dos dados rotineiros.
• Implementação: A pesquisa futura deve focar em ensaios clínicos prospectivos para avaliar o impacto real desses modelos na tomada de decisão clínica e nos desfechos dos pacientes.

Conclusão: O estudo fornece uma base sólida para ferramentas de decisão clínica baseadas em dados no NHS, demonstrando que é possível desenvolver modelos preditivos precisos e bem calibrados em populações diversas, com o potencial de transformar o cuidado de saúde mental para um modelo mais estratificado, equitativo e eficaz.