From Registration to Insight: How STRONG AYA Transforms Registry Data to Enhance Decision-Support Tools for Adolescent and Young Adult Oncology

O consórcio internacional STRONG AYA demonstra como os dados do registro regional de câncer do Yorkshire (YSRCCYP) são integrados a uma infraestrutura federada europeia para gerar análises comparativas e visualizações de resultados relatados pelos pacientes, aprimorando assim as consultas clínicas e a tomada de decisão para adolescentes e adultos jovens com câncer.

O essencial

Imagine que o câncer em adolescentes e jovens adultos (entre 15 e 39 anos) é como navegar em um oceano desconhecido. É uma fase da vida onde você está construindo sua identidade, estudando, fazendo amigos e planejando o futuro. Quando a doença ataca, é como se uma tempestade repentina paralisasse esse barco no meio do mar.

O problema é que, até agora, os "mapas" que os médicos usavam para ajudar esses jovens eram feitos para crianças pequenas ou para adultos mais velhos. Eles não tinham as coordenadas certas para a idade específica desses jovens.

Aqui entra a história do STRONG AYA, um projeto europeu que funciona como uma grande rede de faróis conectados.

O Problema: Mapas Desatualizados

Os registros de câncer (como um diário de bordo que anota quem adoeceu e como foi o tratamento) são vitais. Mas, no passado, esses diários não perguntavam coisas importantes para os jovens, como "como você está se sentindo emocionalmente?" ou "como está sua vida social?". Sem essas informações, os médicos estavam tentando navegar às cegas.

A Solução: Uma Rede de Faróis Inteligentes (Federated Learning)

O projeto STRONG AYA reuniu hospitais de vários países (Reino Unido, Holanda, Polônia, França, Itália) para criar um mapa melhor. Mas havia um problema de segurança: as leis de privacidade impedem que os dados pessoais dos pacientes (nomes, endereços, históricos completos) saiam dos hospitais.

A solução foi usar uma tecnologia chamada Aprendizado Federado.

• A Analogia: Imagine que cada hospital é uma casa com um cofre de dados. Ninguém pode abrir o cofre e levar os documentos para fora. Em vez disso, o STRONG AYA envia um "robô investigador" (um algoritmo) para dentro de cada cofre.
• O robô lê os dados, faz as contas e anota apenas os resultados (como a média de ansiedade ou depressão), sem nunca revelar quem são os pacientes.
• O robô volta para a "sede" com apenas os números finais. Assim, eles conseguem criar uma visão geral da Europa inteira sem violar a privacidade de ninguém.

A Inovação: O "GPS" em Tempo Real para o Médico

O artigo descreve como os dados de um registro específico no Reino Unido (Yorkshire) foram integrados a essa rede. O resultado é um novo recurso no sistema de computador dos médicos, chamado PROMPT.

• A Analogia do GPS: Antes, quando um jovem paciente relatava que estava ansioso, o médico olhava para um gráfico genérico e dizia: "Bem, a ansiedade é comum".
• Com o novo sistema: O médico olha para a tela e vê o "GPS" do paciente. Ele vê a linha de ansiedade do paciente e, logo abaixo, uma faixa verde que representa como outros jovens com o mesmo tipo de câncer, na mesma idade e na mesma Europa, estão se sentindo.
  • Se a linha do paciente estiver dentro da faixa verde, é um sinal de que ele está "no caminho certo" em comparação com seus pares.
  • Se a linha subir para fora da faixa (ficando laranja ou vermelha), o médico sabe imediatamente: "Ei, a ansiedade deste jovem está muito acima da média dos outros jovens com a mesma doença. Precisamos conversar e ajudar agora."

Por que isso é importante?

1. Validação: O jovem paciente pode ver que não está sozinho. Saber que "outros 300 jovens na Europa sentem o mesmo que eu" tira o peso das costas e normaliza o sofrimento.
2. Decisão Compartilhada: O médico não precisa apenas "adivinhar". Ele tem dados reais para dizer: "Vamos ajustar seu tratamento porque seus dados mostram que você precisa de mais apoio emocional".
3. Segurança: Tudo isso acontece sem que os dados sensíveis dos pacientes saiam de seus hospitais locais.

Conclusão

Em resumo, o STRONG AYA está transformando dados frios e isolados em calor humano e inteligência coletiva. Eles estão criando um sistema onde a experiência de um jovem na Polônia ajuda a cuidar de um jovem na Inglaterra, e vice-versa. É como se todos os faróis do oceano europeu se conectassem para garantir que nenhum barco jovem se perca na tempestade, oferecendo um mapa preciso e compassivo para navegar pela jornada do câncer.

Resumo técnico

Resumo Técnico: Da Registro ao Insight – Como o STRONG AYA Transforma Dados de Registros para Melhorar Ferramentas de Apoio à Decisão em Oncologia de Adolescentes e Jovens Adultos

1. O Problema

Os registros de câncer baseados em população (PBCR) são fundamentais para monitorar tendências epidemiológicas e planejar serviços de saúde. No entanto, para o grupo de Adolescentes e Jovens Adultos (AYA), definido como pacientes entre 15 e 39 anos, a utilidade desses registros é limitada pela falta de itens de dados específicos para essa faixa etária.

• Desafios Específicos: Os AYAs enfrentam desafios únicos no desenvolvimento (educação, relacionamentos, independência) e a qualidade de vida (QdV) a longo prazo é frequentemente negligenciada nos registros tradicionais.
• Barreira de Dados: A falta de dados padronizados sobre QdV e desfechos específicos para AYAs impede a criação de referências clínicas precisas. Além disso, a colaboração internacional é dificultada por questões de privacidade de dados e pela incompatibilidade semântica entre diferentes sistemas de saúde regionais.

2. Metodologia

O estudo descreve a integração de dados do Registro Especializado de Câncer em Crianças e Jovens Adultos de Yorkshire (YSRCCYP), no Reino Unido, dentro da infraestrutura pan-europeia STRONG AYA. A abordagem técnica baseia-se nos seguintes pilares:

• Aprendizado Federado (Federated Learning - FL): Em vez de centralizar dados sensíveis de pacientes, o STRONG AYA utiliza o FL. Os dados permanecem locais (nos nós de cada instituição), e apenas os resultados das análises (estatísticas agregadas) são trocados. Isso preserva a privacidade e a conformidade com o GDPR.
• Conjunto de Desfechos Principais (Core Outcome Set - COS): Foi desenvolvido um COS padronizado para medir desfechos clínicos e de QdV, incluindo Patient Reported Outcomes (PROs).
• Harmonização Semântica: Para superar as diferenças de formatos de dados locais (especialmente conceitos geograficamente específicos), foi criada um mapa de terminologia compartilhado. A ferramenta Flyover mapeia os formatos locais para o mapa de terminologia do STRONG AYA, gerando recursos interoperáveis (RDF).
• Integração Clínica (PROMPT): Os dados agregados do FL são integrados ao sistema PROMPT (software de gestão de PROs do Leeds Teaching Hospital NHS Trust), que está conectado aos registros eletrônicos de saúde (EHR).
• Algoritmo de Estatística Descritiva: Um algoritmo open-source foi utilizado para consultar a infraestrutura STRONG AYA e retornar estatísticas descritivas (mediana, quartis, contagens) para escalas específicas, como a Hospital Anxiety and Depression Scale (HADS).

3. Principais Contribuições

• Infraestrutura de Dados Federada: Demonstração prática de como um registro regional (YSRCCYP) pode contribuir para uma rede pan-europeia sem violar a privacidade dos dados, utilizando o Vantage 6 como nó de FL.
• Ponte entre Pesquisa e Clínica: Criação de uma "ponte" técnica que permite que dados agregados de pesquisa (STRONG AYA) alimentem dinamicamente as referências clínicas em tempo real dentro do sistema de prontuário do hospital (PROMPT).
• Visualização de Dados Contextualizada: Desenvolvimento de uma interface onde os profissionais de saúde podem visualizar os escores de um paciente individual em comparação com intervalos de referência específicos para AYAs (baseados em dados europeus), e não apenas em faixas "normais" históricas ou gerais.
• Interoperabilidade Semântica: Validação do uso de mapas de terminologia e ferramentas como Flyover para harmonizar dados heterogêneos de múltiplos países (Reino Unido, Países Baixos, Polônia, França, Itália).

4. Resultados

• Volume de Dados: A infraestrutura STRONG AYA agregou dados de mais de 26.829 AYAs de cinco países.
• Dados de PROs: Foram identificados 368 registros de escalas HADS (Ansiedade e Depressão) provenientes de parceiros como o Instituto Nacional do Câncer dos Países Baixos, o Registro de Yorkshire e o Instituto de Oncologia de Varsóvia.
• Prova de Conceito (PoC):
  • Foi implementada uma visualização no sistema PROMPT onde os escores de um paciente fictício (HADS) são plotados em um gráfico de linha.
  • Uma "banda verde" sobreposta representa o intervalo interquartil (Q1, Mediana, Q3) calculado via aprendizado federado a partir dos dados europeus.
  • Um sistema de "semáforo" (verde/laranja) indica se o escore do paciente está dentro ou fora da faixa de referência da população de AYAs.
  • A ferramenta permite filtrar e estratificar os dados por idade, doença, país e estágio, oferecendo contexto clínico imediato.

5. Significado e Impacto

• Apoio à Decisão Clínica: A ferramenta permite que médicos e pacientes discutam o estado de saúde mental e QdV do paciente com base em dados comparativos reais de pares europeus, facilitando a normalização de experiências e a identificação precoce de necessidades de intervenção.
• Escalabilidade e Sustentabilidade: O modelo demonstra que registros regionais podem ganhar valor agregado ao se integrarem a redes maiores. A abordagem é escalável para outros modelos complexos, como análises de sobrevivência (Curvas de Kaplan-Meier e Regressão de Cox).
• Empoderamento do Paciente: Ao fornecer dados comparativos relevantes, os pacientes podem entender melhor sua trajetória de tratamento em relação a outros sobreviventes de câncer na mesma faixa etária.
• Futuro: O trabalho estabelece as bases para a coleta rotineira de PROs como parte integrante do cuidado, melhorando os desfechos de saúde para AYAs em escala internacional através de políticas baseadas em evidências e pesquisa colaborativa segura.

Em suma, o artigo valida tecnicamente e clinicamente uma nova abordagem para oncologia de AYAs, onde a privacidade de dados é mantida através de aprendizado federado, enquanto a utilidade clínica é maximizada através de visualização de dados agregados diretamente no ponto de cuidado.