Predicting Medication Adherence Among Chronic Disease Patients in Ghana Using Explainable Machine Learning: A Retrospective EMR-Based Study

No ritmo silencioso do gerenciamento de uma doença crônica, o passo mais crítico ocorre frequentemente não no consultório médico, mas na privacidade da casa do paciente. Tomar a medicação exatamente como prescrito é a ponte entre um diagnóstico e uma vida bem vivida, contudo, para milhões de pessoas ao redor do mundo, essa ponte permanece incompleta. Esse hiato entre o que um médico prescreve e o que um paciente realmente toma é conhecido como não adesão à medicação. É um problema complexo moldado pelo esquecimento, instruções confusas e os efeitos colaterais do tratamento, mas em muitas nações em desenvolvimento, ele é impulsionado por algo muito mais tangível: o custo do medicamento e a confiabilidade da cadeia de suprimentos. Quando um paciente não consegue pagar por uma nova dose ou não consegue encontrar o remédio na prateleira, o plano de tratamento entra em colapso, levando a complicações evitáveis e morte precoce.

Para resolver isso, médicos e pesquisadores começaram a recorrer aos computadores, usando o aprendizado de máquina para identificar padrões nos dados dos pacientes que olhos humanos poderiam perder. Esses sistemas analisam registros de quem está tomando sua medicação e quem não está, procurando pela mistura específica de fatores que leva ao salto de uma dose. No entanto, a maioria desses modelos computacionais foi construída em países ricos, onde o seguro cobre os custos e as farmácias estão sempre abastecidas. Quando esses modelos são aplicados a lugares como Gana, onde o seguro de saúde não é universal e os custos diretos podem ser um fardo pesado, eles frequentemente falham. Eles perdem as realidades locais que ditam se uma pessoa pode manter seu tratamento. Um novo estudo de Gana busca corrigir isso, construindo um modelo que compreenda o cenário econômico e social específico de seus pacientes, usando dados que reflçam suas vidas reais, em vez de uma versão idealizada do cuidado de saúde.

Pesquisadores do Hospital Presbiteriano em Agogo, Gana, propuseram-se a criar uma ferramenta que pudesse prever quais pacientes teriam probabilidade de interromper o uso de sua medicação para condições crônicas como hipertensão e diabetes. Eles coletaram registros de 1.772 pacientes adultos que visitaram o hospital durante um período de seis meses. Em vez de depender que os pacientes se lembrassem de quantas pílulas tomaram, a equipe utilizou um método preciso chamado Proporção de Dias Cobertos. Essa abordagem analisa as datas de cada renovação de prescrição para calcular exatamente quantos dias um paciente teve suprimento de seu medicamento. Se um paciente tivesse medicação suficiente para pelo0 menos 80 por cento do tempo, era considerado aderente; qualquer valor abaixo disso significava que estava em risco.

A equipe começou alimentando um programa de computador com informações padrão sobre esses pacientes: idade, sexo, se possuíam seguro de saúde, o número de medicamentos que lhes foram prescritos e o custo estimado desses medicamentos. Eles testaram cinco tipos diferentes de algoritmos computacionais, variando de métodos estatísticos simples a redes neurais mais complexas, para ver qual deles poderia melhor prever quem seria aderente e quem não seria. Os resultados foram promissores, com os melhores modelos individuais identificando corretamente os padrões de adesão cerca de 88 por cento das vezes. Mas os pesquisadores sabiam que os dados padrão não eram suficientes para capturar o quadro completo da vida em Gana.

Para tornar o modelo mais inteligente, a equipe adicionou seis novas informações customizadas que refletiam os desafios específicos de seu ambiente local. Eles criaram variáveis que combinavam diferentes fatores, como multiplicar a idade do paciente pelo número de medicamentos que ele tomava para ver se pacientes mais velhos tinham mais dificuldades com regimes complexos. Eles também calcularam um "fardo de preço" especificamente para pacientes sem seguro, reconhecendo que o custo do medicamento atinge muito mais fortemente os não segurados. Ao ensinar o computador a observar essas interações, permitiram que o modelo entendesse que um custo alto pode não importar para um paciente segurado, mas pode ser um fator decisivo para alguém que paga do próprio bolso.

Quando combinaram essas novas características conscientes do contexto com uma técnica chamada stacked ensemble — onde múltiplos modelos computacionais trabalham juntos para votar em uma resposta final — a precisão da previsão melhorou. O melhor modelo classificou corretamente os pacientes 89,5 por cento das vezes. Mais importante ainda, os pesquisadores usaram um método chamado SHAP para abrir a "caixa preta" da tomada de decisão do computador. Isso permitiu que vissem exatamente quais fatores estavam impulsionando as previsões. Eles descobriram que os preditores mais poderosos não eram apenas idade ou sexo, mas o status de seguro do paciente, a interação entre sua idade e a complexidade de sua medicação, e se possuíam outras condições de saúde crônicas. Isso confirmou que o acesso financeiro e a complexidade do tratamento eram as principais forças que moldavam a adesão nessa comunidade.

O estudo também explorou como tornar essa ferramenta prática para hospitais com recursos limitados. Eles testaram se o modelo poderia funcionar com menos dados, simulando um cenário em que uma clínica possa não ter acesso a todos os detalhes sobre um paciente. Eles descobriram que um modelo usando apenas sete características fundamentais desempenhava quase tão bem quanto o modelo completo, e até mesmo uma versão com apenas três características — status de seguro, a interação idade-medicação e o status de comorbidade crônica — retinha a maior parte de seu poder preditivo. Isso sugere que, em ambientes de recursos limitados, os médicos não precisam de um banco de dados massivo para identificar pacientes em risco; um conjunto pequeno e focado de informações é suficiente para sinalizar aqueles que precisam de ajuda.

No entanto, os pesquisadores foram cuidadosos ao notar os limites de seus achados. Os dados vieram de um único hospital, e o modelo não foi testado em pacientes de outras regiões ou países, portanto, ainda não se sabe se funcionaria em todos os lugares. Eles também descobriram que, embora o uso de uma técnica para equilibrar os dados ajudasse o modelo a encontrar mais pacientes não aderentes, isso tornava as previsões gerais ligeiramente menos precisas. No fim, escolheram o modelo treinado com os dados originais desbalanceados porque ele oferecia a melhor confiabilidade geral. O estudo conclui que, embora o aprendizado de máquina tenha grande promessa para melhorar a saúde em Gana, essas ferramentas devem ser construídas com as realidades locais em mente. Ao focar nas barreiras específicas de custo e seguro, e ao manter os modelos simples o suficiente para serem usados com dados limitados, os pesquisadores criaram um caminho para identificar pacientes que precisam de suporte antes que interrompam o uso de seus medicamentos vitais.