Artificial Intelligence for Precision Allocation of Cardiometabolic Therapies in Diabetes and Metabolic Disease: From Risk Prediction to Treatment Response

Resumo Técnico: Inteligência Artificial para a Alocação de Precisão de Terapias Cardiometabólicas

Definição do Problema
O cenário terapêutico para o diabetes tipo 2, obesidade, doença renal crônica (DRC), insuficiência cardíaca e doença hepática esteatótica associada à disfunção metabólica (MASLD) mudou de um paradigma centrado na glicose para uma modificação de risco multiorgânica. A expansão de terapias como os agonistas do receptor de GLP-1 (GLP-1RA), inibidores de SGLT2 (SGLT2i) e agentes duais baseados em incretinas (ex: tirzepatida) criou um ambiente de tomada de decisão complexo. Embora esses fármacos ofereçam benefícios na redução de peso, proteção cardiorrenal e redução do risco hepático, os benefícios clínicos permanecem heterogêneos entre os pacientes. A medicina baseada em evidências tradicional, que se baseia em efeitos médios de tratamento de ensaios randomizados, falha em abordar as variações individuais no risco absoluto de eventos, responsividade metabólica, benefício específico de órgãos, tolerabilidade e preferência do paciente. O desafio central é determinar não se uma terapia funciona, mas qual paciente deve receber qual terapia, quando e para qual prioridade clínica dominante.

Estrutura Metodológica
O artigo propõe um framework operacional estruturado para a alocação de precisão impulsionada por IA, distinguindo quatro questões analíticas distintas que devem ser separadas antes da integração:

1. Predição de Risco: Identificar quem tem probabilidade de desenvolver complicações sob cuidados usuais (risco não tratado).
2. Priorização de Tratamento: Determinar quem requer intervenção precoce ou mais intensiva devido ao alto risco não tratado.
3. Predição de Desfecho Pós-Tratamento: Estimar quem tem probabilidade de alcançar um desfecho favorável após a exposição a uma terapia específica.
4. Estimativa de Efeito de Tratamento Causal: Estimar o efeito médio condicional do tratamento (CATE) — a diferença esperada no desfecho sob uma estratégia versus outra para um paciente específico.

Os autores enfatizam que a alocação de precisão requer a vinculação dessas camadas sem confundir prognóstico com benefício específico do fármaco. O framework inclui uma etapa de "arbitragem de benefício" que integra filtros de segurança (contraindicações, limiares de órgãos), benefícios causais esperados e danos concorrentes (efeitos adversos, custo, persistência) usando ponderação transparente e análise de curva de decisão.

Contribuições Principais e Evidências Atuais
A revisão sintetiza a literatura atual (pesquisada de janeiro de 2015 a maio de 2026) através de domínios clínicos, classificando os estudos por maturidade: prova de conceito, validado externamente ou pronto para uso clínico. Os autores observam que nenhum estudo revisado atende aos critérios para implantação clínica sem avaliação prospectiva adicional.

• Enriquecimento de Risco e Priorização: Esta é a camada mais madura. Modelos como o OBSCORE (utilizando gradient-boosting em dados do UK Biobank) estratificam os riscos de complicações relacionadas à obesidade, reformulando a elegibilidade para o tratamento de limiares antropométricos para priorização baseada em risco. Da mesma forma, o Klinrisk e modelos de Januzzi et al. demonstram alto desempenho discriminativo na predição de desfechos cardiorrenais em populações com DRC, estabelecendo uma linha de base prognóstica para futuros modelos de efeito de tratamento.
• Resposta Glicêmica e Seleção de Tratamento Ativo: Estudos utilizando dados de prontuários eletrônicos (EHR) do mundo real (ex: Zhu et al., Cardoso et al., Venkatasubramaniam et al.) aplicaram aprendizado de máquina (LightGBM, florestas causais Bayesianas) para prever a redução da HbA1c e efeitos de tratamento individualizados entre SGLT2i e GLP-1RA. Embora esses modelos mostrem promessa na predição de trajetórias glicêmicas e diferenças causais na HbA1c, os autores destacam uma limitação crítica: seus estimandos alvo são desfechos substitutos (resposta glicêmica), não desfechos duros cardiovasculares, renais ou de mortalidade.
• Estratificação de Benefício Cardiovascular e Cardiorrenal: A aplicação mais ambiciosa envolve a estimativa do benefício cardiovascular heterogêneo. Morieri et al. integraram dados de grandes ensaios (LEADER, SUSTAIN-6) com registros do mundo real para identificar perfis fenotípicos associados a uma redução diferencial do risco absoluto para Eventos Cardiovasculares Maiores (MACE). No entanto, a transportabilidade dessas estimativas derivadas de ensaios para populações do mundo real permanece não confirmada.
• Blueprints Metodológicos: O artigo cita o trabalho em Insuficiência Cardíaca com Fração de Ejeção Preservada (ICFEP) por Desai et al. e Kresoja et al. como o blueprint metodológico mais próximo disponível. Esses estudos utilizaram florestas de sobrevivência causais e fenotipagem não supervisionada para identificar subgrupos respondedores, demonstrando como a inferência causal rigorosa pode ser aplicada a fenótipos multimórbidos complexos, embora ainda não forneçam evidência específica para a alocação de SGLT2i/GLP-1RA.
• Domínios Emergentes: Em MASLD/MASH e obesidade grave, o campo está em um estágio de pré-evidência. Protocolos como o SEMASEARCH são desenhados para avaliação no mundo real, mas atualmente carecem de dados de desfecho.

Resultados e Limitações
A revisão conclui que o campo está atualmente em um estágio de prova de conceito e pré-implementação.

• Maturidade: As aplicações mais maduras apoiam o enriquecimento de risco e a predição de resposta intermediária (substituta).
• Lacunas: A alocação causal robusta para desfechos duros (eventos cardiovasculares, insuficiência renal, mortalidade) permanece limitada. Existe uma lacuna significativa entre a predição de respostas substitutas (ex: redução de HbA1c, perda de peso) e a predição de benefício clínico em desfechos duros.
• Barreiras: As principais barreções incluem confusão por indicação em dados observacionais, dados de prontuários eletrônicos fragmentados, ausência de dados informativa e a falta de validação externa e calibração. Os modelos atuais frequentemente falham em abordar a transportabilidade entre diversas ancestralidades e grupos socioeconômicos.

Significância e Alegações
O artigo alega que a alocação de precisão impulsionada por IA é um framework de pesquisa defensável, mas ainda não é uma prática clínica estabelecida.

• Distinção: Esclarece que prever uma resposta substituta não é equivalente a prever o benefício clínico em desfechos duros.
• Requisitos para Implantação: Modelos futuros devem definir estimandos alvo explícitos, relatar calibração e utilidade clínica (via análise de curva de decisão), abordar confusão e transportabilidade, e passar por testes prospectivos de impacto na decisão.
• Implementação: O sucesso da implementação requer infraestrutura interoperável (ex: HL7 FHIR), fluxos de trabalho supervisionados por humanos (baseados em solicitação/pull em vez de alertas interruptivos) e responsabilidade médico-legal explícita onde a IA apoia, em vez de substituir, o raciocínio clínico.
• Equidade: Os autores enfatizam que os modelos atuais treinados em coortes selecionadas de ensaios ou sistemas de saúde específicos podem não performar de forma equitativa em populações diversas; auditoria de equidade e design participativo são prioridades de pesquisa.

Em resumo, o artigo defende uma transição cautelosa de modelos de predição isolados para um framework estruturado e supervisionado por humanos para a alocação terapêutica, enfatizando que a lacuna entre a predição de resposta substituta e a predição de benefício clínico duro não deve ser obscurecida ao traduzir os outputs dos modelos em decisões clínicas.