Assessing medication-related burden and medication adherence among older patients from Central Nepal: A machine learning approach

Este estudo avalia o fardo medicamentoso e a adesão em pacientes idosos do Nepal Central utilizando seis arquiteturas de aprendizado de máquina e explicações SHAP, identificando que a necessidade de assistência para medicação e a polifarmácia são os principais fatores preditores, sugerindo intervenções clínicas como a desprescrição.

O essencial

Imagine que gerenciar a saúde na velhice é como tentar pilotar um avião complexo sozinho, com dezenas de botões, luzes piscando e um manual de instruções que muda toda hora. Para muitos idosos no Nepal, essa é a realidade diária.

Este estudo é como um "raio-x" dessa situação, feito por pesquisadores que usaram uma ferramenta muito moderna (Inteligência Artificial) para entender por que alguns idosos se sentem sobrecarregados com os remédios e por que outros têm dificuldade em tomá-los corretamente.

Aqui está a explicação do que eles descobriram, traduzida para uma linguagem simples:

1. O Cenário: O "Trânsito" de Remédios

O Nepal está envelhecendo rápido. Assim como em muitos lugares, os idosos têm várias doenças ao mesmo tempo (diabetes, pressão alta, etc.). Para tratar tudo isso, eles precisam tomar muitos remédios.

• A Metáfora: Pense na saúde do idoso como uma casa. Antigamente, havia apenas uma ou duas portas para entrar (poucos remédios). Agora, a casa está cheia de portas, janelas e escadas (muitos remédios). O "peso" de cuidar de tudo isso é o que os pesquisadores chamam de Carga Medicamentosa.

2. O Problema: O "Peso" na Mochila

Os pesquisadores foram ao hospital Bharatpur e conversaram com 390 idosos. Eles usaram dois "termômetros" para medir a situação:

• A Carga (LMQ-3): Mediu o quanto os remédios atrapalham a vida.
• A Adesão (ARMS): Mediu se as pessoas estão esquecendo de tomar os remédios ou deixando de comprar.

O Resultado: A maioria dos idosos tem uma carga "média" (nem leve, nem esmagadora, mas cansativa) e um nível "moderado" de esquecimento. Eles não estão abandonando os remédios de propósito, mas a vida está ficando complicada demais.

3. A Detetive de Computador: A Inteligência Artificial

Aqui está a parte mais interessante. Em vez de apenas fazer perguntas e respostas simples, os pesquisadores usaram Machine Learning (aprendizado de máquina).

• A Analogia: Imagine que você tenta adivinhar quem vai ganhar uma corrida olhando apenas a altura dos corredores (método antigo). O Machine Learning é como ter um supercomputador que analisa a altura, o peso, a alimentação, o sono, o clima e até o humor do corredor para prever o resultado com muito mais precisão.
• Eles testaram 6 tipos diferentes de "cérebros" de computador. O vencedor foi o Random Forest (Floresta Aleatória), que conseguiu prever o comportamento dos pacientes melhor do que qualquer método tradicional.

4. Os Vilões e os Heróis: O que realmente importa?

O computador analisou tudo e apontou os dois maiores culpados pela sobrecarga e pelo esquecimento:

1. Polifarmácia (Muitos Remédios): Quanto mais remédios a pessoa toma, mais difícil é a vida. É como tentar segurar 10 bolas de tênis ao mesmo tempo; você vai deixar cair algumas.
2. Precisar de Ajuda: Idosos que precisam que alguém ajude a organizar os remédios sentem mais peso e têm mais dificuldade em seguir o tratamento.

O Grande Segredo Descoberto (A Interação):
O computador descobriu algo curioso:

• Se um idoso tem muitos remédios (polifarmácia) mas tem ajuda de um familiar ou cuidador, o risco de erro diminui um pouco. A ajuda funciona como um "cinto de segurança".
• Porém, se o idoso tem poucos remédios mas precisa de ajuda (porque esquece ou não consegue abrir o frasco), o risco de não tomar o remédio é altíssimo. Isso sugere que o problema não é só a quantidade de remédios, mas a capacidade física ou mental de lidar com eles.

5. Outros Fatores Importantes

• Dinheiro: Pagar pelos remédios do próprio bolso aumenta o estresse e faz as pessoas tomarem menos.
• Trabalho: Surpreendentemente, quem está desempregado teve melhor adesão. A lógica? Quem trabalha tem menos tempo para organizar a rotina complexa de remédios do que quem está em casa o dia todo.
• Confiança: Os idosos confiam nos médicos, mas ainda têm medo dos efeitos colaterais a longo prazo e sentem que não têm controle sobre suas próprias escolhas de remédios.

6. A Lição Final: Simplificar para Salvar

O estudo conclui que, no Nepal (e provavelmente em muitos lugares), precisamos mudar a abordagem:

• Menos é Mais: Os médicos devem revisar os remédios e parar de dar aqueles que não são mais necessários (uma prática chamada desprescrição).
• Ajuda Prática: Para quem precisa de ajuda, não basta apenas dar o remédio; é preciso ter alguém para organizar a rotina.
• Decisão Compartilhada: Os idosos querem ser ouvidos. Eles querem saber por que tomam cada pílula e ter voz ativa.

Resumo da Ópera:
A vida do idoso com muitos remédios é como tentar montar um quebra-cabeça gigante sem a caixa de referência. O estudo mostra que, para resolver isso, não basta apenas dar mais remédios ou mais instruções. É preciso simplificar o quebra-cabeça (reduzir remédios desnecessários) e colocar alguém ao lado para ajudar a montar as peças. A Inteligência Artificial foi a ferramenta que nos mostrou exatamente onde estão as peças faltantes.

Resumo técnico

Título

Avaliação do ônus relacionado a medicamentos e adesão à medicação em pacientes idosos do Nepal Central: Uma abordagem de aprendizado de máquina

1. Problema e Contexto

O Nepal está passando por uma rápida transição demográfica para uma população envelhecida, acompanhada pelo aumento de doenças crônicas não transmissíveis e multimorbidade. Isso resulta em polifarmácia (uso de múltiplos medicamentos) e um aumento no ônus relacionado a medicamentos (MRB - Medication-Related Burden). O MRB refere-se à experiência negativa prática e psicológica de gerenciar medicamentos, o que frequentemente leva à não adesão, piores desfechos clínicos e redução na qualidade de vida.

Apesar da prevalência conhecida de problemas relacionados a medicamentos no Nepal, há uma lacuna crítica de evidências sobre como fatores multidimensionais (socioeconômicos, clínicos e relacionados aos medicamentos) interagem de forma não linear para influenciar o MRB e a adesão. Métodos estatísticos tradicionais muitas vezes falham em capturar essas interações complexas.

2. Metodologia

O estudo foi desenhado como uma pesquisa transversal realizada no Hospital Bharatpur, no Nepal Central.

• População: 390 pacientes ambulatoriais com idade ≥ 65 anos, utilizando pelo menos um medicamento para uma condição crônica há pelo menos um ano. Pacientes com transtornos psiquiátricos ou comprometimento cognitivo foram excluídos.
• Instrumentos de Medição:
  • MRB: Avaliado pelo Questionário de Viver com Medicamentos (LMQ-3), que abrange 41 itens em 8 domínios (relação com profissionais de saúde, dificuldades práticas, custos, efeitos colaterais, etc.) e uma escala visual analógica (VAS).
  • Adesão: Avaliada pela Escala de Adesão a Renovações e Medicamentos (ARMS), composta por 12 itens.
• Variáveis Preditivas: Foram identificados 17 recursos potenciais, incluindo características sociodemográficas (idade, gênero, educação, ocupação), clínicas (índice de comorbidade de Charlson, multimorbidade, diagnóstico principal) e relacionadas a medicamentos (polifarmácia, necessidade de assistência, frequência de dosagem, custos).
• Abordagem de Aprendizado de Máquina (ML):
  • Foram empregadas seis arquiteturas de ML para prever as pontuações do LMQ-3 e do ARMS: Regressão Linear Ordinária (OLS), Regressão Linear Penalizada, Random Forest (RF), XGBoost, LightGBM e Máquinas de Vetores de Suporte (SVM).
  • O conjunto de dados foi dividido em 80% para treinamento e 20% para teste, utilizando validação cruzada repetida (10x10).
  • A interpretabilidade do modelo foi realizada utilizando SHAP (Shapley Additive exPlanations) para identificar a importância dos recursos e visualizar interações não lineares.
  • Todas as análises foram realizadas em R.

3. Contribuições Principais

• Primeira Avaliação no Sul da Ásia: Este é o primeiro estudo a avaliar o MRB sob a perspectiva do paciente usando o LMQ-3 no contexto do Sul da Ásia.
• Aplicação de ML na Farmácia Geriátrica: Demonstra a superioridade de algoritmos de aprendizado de máquina (especificamente Random Forest) sobre modelos estatísticos lineares tradicionais na previsão de comportamentos complexos de adesão e ônus em idosos.
• Análise de Interação: Revela interações críticas entre variáveis (ex: como a assistência ao paciente modera o impacto da polifarmácia), algo que modelos lineares simples não capturam adequadamente.
• Validação de Ferramentas: Realizou a tradução e adaptação transcultural dos questionários LMQ-3 e ARMS para o nepalês.

4. Resultados Principais

• Desfechos Descritivos:
  • Ônus (LMQ-3): Pontuação mediana de 110,0 (indicando ônus moderado). Os maiores ônus foram relatados nos domínios de "Atitudes/Preocupações", "Dificuldades Práticas" e "Controle/Autonomia".
  • Adesão (ARMS): Pontuação mediana de 21,0 (indicando não adesão moderada). Comportamentos comuns incluíam esquecimento, falta de planejamento para renovação e alteração de doses.
• Desempenho do Modelo:
  • O modelo Random Forest (RF) foi superior para prever tanto o MRB quanto a adesão, apresentando os menores erros (RMSE e MAE) e maior variância explicada ($R^2 \approx 0,54$ para MRB e $\approx 0,49$ para ARMS), superando a regressão linear e outros algoritmos de boosting.
• Fatores Preditivos (SHAP):
  • Principais Drivers: A necessidade de assistência para o gerenciamento de medicamentos e a polifarmácia foram os preditores mais fortes e consistentes para o aumento do ônus e a pior adesão.
  • Fatores Secundários: Custos de medicamentos (pagamento do próprio bolso), frequência de dosagem (duas vezes ao dia) e multimorbidade também foram significativos.
  • Fatores Demográficos: Idade, gênero e residência mostraram baixo poder preditivo em comparação com fatores clínicos e de regime medicamentoso.
  • Interações: A análise de dependência SHAP revelou que, embora a polifarmácia aumente o risco de não adesão, a presença de assistência física ou cognitiva pode mitigar parcialmente esse risco. No entanto, pacientes com regimes simples que ainda precisam de assistência apresentaram um "pico de risco", sugerindo declínio funcional ou cognitivo.

5. Significado e Implicações

• Intervenção Clínica: Os resultados sugerem que intervenções clínicas devem priorizar a simplificação de regimes e o desprescrição (remoção de medicamentos desnecessários) para reduzir a complexidade, especialmente em pacientes que necessitam de assistência.
• Abordagem Centrada no Paciente: A confiança nos profissionais de saúde não garante a adesão ou a satisfação. É necessário focar em decisões compartilhadas e no gerenciamento prático das dificuldades diárias.
• Política de Saúde: O estudo fornece uma base de dados para estratégias de otimização de medicamentos no sistema de saúde do Nepal, destacando a necessidade de abordar barreiras financeiras e de acesso, além de apoiar cuidadores.
• Método: A validação da eficácia do ML para prever desfechos de saúde em populações de baixa e média renda abre caminho para o desenvolvimento de ferramentas de triagem de risco mais precisas em contextos com recursos limitados.

Em resumo, o estudo demonstra que o ônus medicamentoso e a não adesão em idosos nepaleses são impulsionados principalmente pela complexidade do regime e pela necessidade de suporte, e que modelos de aprendizado de máquina são ferramentas essenciais para identificar e mitigar esses riscos de forma personalizada.