Comparing Ordered Logistic Regression and Random Forest for Predicting Lacosamide Trough Concentration Tiers in a Real-World Cohort: A Methodological Cautionary Study

No mundo da medicina, alguns medicamentos funcionam como uma chave precisa que se encaixa em uma fechadura, enquanto outros comportam-se mais como água despejada em um balde com um furo que muda de tamanho para cada pessoa. O lacosamida é um desses medicamentos que varia drasticamente de paciente para paciente. É um medicamento usado para controlar convulsões, e os médicos dependem de um processo chamado monitoramento terapêutico de fármacos para garantir que a quantidade do medicamento no sangue do paciente esteja exatamente correta. Se o nível estiver muito baixo, as convulsões podem retornar; se estiver muito alto, o paciente pode sofrer efeitos colaterais. O desafio é que a mesma dose não produz o mesmo nível sanguíneo em pessoas diferentes. Fatores como idade, peso corporal e se o paciente está tomando outros medicamentos podem todos alterar esse equilíbrio. Durante anos, os médicos esperaram que, ao alimentar um computador com esses fatos conhecidos, pudessem prever exatamente onde o nível do medicamento de um paciente cairia, permitindo uma dosagem perfeita e personalizada desde o início.

Uma equipe de pesquisadores da Escola de Medicina da Universidade de Zhejiang decidiu testar essa esperança com um grande experimento do mundo real. Eles reuniram dados de quase mil pacientes, variando de crianças pequenas a adultos idosos, que tiveram seus níveis de lacosamida verificados em um único hospital. Os pesquisadores queriam ver se poderiam usar dois tipos diferentes de ferramentas matemáticas para classificar esses pacientes em três grupos: aqueles com níveis baixos de medicamento, aqueles com níveis na faixa terapê de segurança e aqueles com níveis excessivamente altos. Uma ferramenta era um método estatístico tradicional conhecido como regressão logística ordenada, que busca relações de linha reta entre fatores como idade e níveis de medicamento. A outra era uma técnica de aprendizado de máquina chamada random forest, um sistema mais complexo que tenta encontrar padrões e conexões ocultas que a matemática simples pode perder. O objetivo era ver se qualquer uma das ferramentas conseguiria adivinhar com precisão o nível de medicamento de um paciente com base em um único exame de sangue e uma lista de detalhes de rotina, como seu peso e outros medicamentos.

Os pesquisadores alimentaram os sistemas de computador com um conjunto específico de informações para cada paciente: sua idade, sexo, peso corporal, a dose de lacosamida que estavam tomando ajustada pelo peso, se estavam tomando outros medicamentos anticonvulsivantes que são conhecidos por acelerar o processamento de drogas pelo corpo e quantos outros medicamentos anticonvulsivantes estavam tomando ao mesmo tempo. Eles definiram os "outros medicamentos" de forma muito cuidadosa, observando apenas prescrições preenchidas dentro de uma semana do exame de sangue para garantir que o tempo coincidisse. Eles então dividiram seus dados, usando a maior parte para ensinar os modelos e o restante para testar o desempenho dos modelos em pacientes que nunca haviam sido vistos antes. Os resultados foram claros e um tanto decepcionantes para aqueles que esperavam por uma solução computacional rápida. Nem o modelo estatístico tradicional nem o sistema avançado de aprendizado de máquina conseguiram prever os níveis de medicamento com qualquer precisão útil. Os modelos performaram apenas ligeiramente melhor do que o acaso. Embora o modelo de aprendizado de máquina tenha superado o tradicional por uma pequena margem, ambos falharam em atingir o nível de confiabilidade necessário para guiar decisões clínicas.

Apesar da falha em prever níveis individuais, o estudo descobriu um sinal muito específico e confiável. Os pesquisadores descobriram que, quando um paciente estava tomando certos outros medicamentos anticonvulsivantes que aceleram o metabolismo, seus níveis de lacosamida eram significativamente mais baixos. Esse efeito foi forte o suficiente para ser detectado mesmo quando os modelos lutavam com todo o resto. Os dados mostraram que pacientes tomando esses medicamentos de interação tinham cerca de metade das chances de ter um nível alto de medicamento em comparação com aqueles que não os tomavam. Isso confirmou um fato biológico conhecido: esses medicamentos específicos atuam como um acelerador químico, limpando o lacosamida do corpo mais rapidamente. No entanto, este fator isolado não foi suficiente para fazer a previsão geral funcionar. Os modelos não conseguiram dar conta da vasta quantidade de outra variação que existe entre as pessoas.

O estudo sugere que o problema não é o tipo de matemática usada, mas a natureza dos próprios dados. Um único exame de sangue, não importa quantos detalhes lhe sejam anexados, não contém informação suficiente para prever onde o nível de um paciente irá pousar. Os pesquisadores observaram que fatores que eles não puderam medir, como se um paciente realmente tomou seu medicamento conforme prescrito ou diferenças genéticas na forma como seu fígado processa drogas, provavelmente desempenham um papel crucial. O modelo de aprendizado de máquina não encontrou nenhum padrão secreto que o modelo mais simples tivesse perdido; ambos concordaram que a idade e a dose ajustada pelo peso eram os fatores mais importantes, contudo, mesmo estes foram insuficientes. O estudo também confirmou que a relação entre idade e níveis de medicamento não é a mesma para todos, com crianças mostrando um vínculo mais estreito entre a dose que recebem e o nível que alcançam em comparação com adultos, que têm resultados muito mais imprevisíveis.

Em última análise, a pesquisa serve como um conto de advertência para o campo da medicina personalizada. Ela demonstra que, embora tenhamos ferramentas poderosas para analisar dados, ainda não podemos prever desfechos biológicos complexos a partir de um único instantâneo no tempo. A ideia de que um algoritmo de computador poderia dizer instantaneamente a um médico a dose perfeita baseada em um exame de sangue de rotina e em alguns fatos básicos não é sustentada por esta evidência. Em vez disso, os achados reforçam a necessidade de os médicos confiarem na observação cuidadosa ao longo do tempo, observando como os níveis de um paciente mudam com testes repetidos. A única regra clara que emergiu é que, se um paciente estiver tomando medicamentos de interação específicos, seus níveis provavelmente serão mais baixos, e isso deve ser considerado manualmente. Para o restante, o caminho para uma dosagem verdadeiramente individualizada requer mais do que apenas um software melhor; requer um olhar mais profundo sobre o histórico do paciente, sua genética e sua adesão real ao plano de tratamento, coletados ao longo de um longo período, em vez de um único momento.