Development and Validation of a Predictive Model for the Risk of Bleeding Associated with Rivaroxaban

Os anticoagulantes estão entre as ferramentas mais vitais da medicina moderna, atuando como um escudo contra coágulos perigosos que podem bloquear o fluxo sanguíneo para o coração, pulmões ou cérebro. Durante décadas, os médicos confiaram em medicamentos como a varfarina para manter esses coágulos sob controle, mas esses fármacos mais antigos exigem testes de sangue frequentes e um gerenciamento dietético cuidadoso para serem seguros. Nos últimos anos, uma nova geração de medicamentos, conhecidos como anticoagulantes orais diretos, mudou o cenário. Um dos mais amplamente prescritos desses é o rivaroxabana. Ele funciona bloqueando diretamente uma proteína específica no sangue que é essencial para a formação de coágulos, oferecendo aos pacientes um plano de tratamento mais simples, sem a necessidade de monitoramento constante. No entanto, o próprio mecanismo que torna esses medicamentos eficazes também carrega um risco significativo: eles podem fazer com que os pacientes sangrem com muita facilidade. Embora prevenir um acidente vascular cerebral seja um objetivo que salva vidas, uma hemorragia inesperada pode ser tão perigosa quanto. O desafio para os clínicos sempre foi encontrar o equilíbrio certo — identificar quais pacientes estão seguros para o tratamento e quais estão caminhando em uma corda bamba onde uma lesão menor poderia se transformar em uma crise de grande proporção.

Uma equipe de pesquisadores da Universidade de Shihezi, na China, partiu para resolver esse enigma analisando de perto pacientes que tomavam rivaroxabana em um ambiente hospitalar do mundo real. Em vez de depender de sistemas de pontuação antigos e estáticos que foram projetados para medicamentos diferentes, eles construíram uma nova ferramenta dinâmica usando aprendizado computacional avançado. Eles acompanharam 360 pacientes que foram internados por condições como coágulos nos pulmões ou arritmias cardíacas. Esses pacientes receberam rivaroxabana isoladamente, sem outros anticoagulantes que pudessem confundir os resultados. Os pesquisadores os observaram de perto por três meses, registrando cada instância de sangramento, desde um pequeno sangramento nasal até hemorragias internas mais sérias. Eles descobriram que quase um em cada cinco pacientes apresentou algum tipo de sangramento e, notavelmente, quase 90 por cento desses eventos ocorreram nas primeiras três semanas de tratamento, frequentemente durante a fase inicial de alta dosagem. Esse tempo sugeriu que as primeiras semanas são uma janela crítica onde o corpo está mais vulnerável.

Para dar sentido a esses dados, os pesquisadores recorreram ao aprendizado de máquina, um tipo de inteligência artificial que pode detectar padrões complexos em grandes conjuntos de informações que os olhos humanos poderiam perder. Eles alimentaram o computador com dados de dezenas de detalhes dos pacientes, incluindo idade, histórico médico e vários resultados de exames de sangue. O computador teve que aprender com uma situação difícil: os eventos de sangramento eram raros em comparação com os eventos de não sangramento, um problema que frequentemente confunde modelos computacionais. Para corrigir isso, a equipe utilizou uma técnica especial para equilibrar os dados, permitindo que o computador aprendesse com os casos raros de sangramento sem se confundir com o número esmagador de casos de não sangramento. Após testar nove tipos diferentes de modelos computacionais, descobriram que uma abordagem específica, conhecida como modelo Random Forest, teve o melhor desempenho. Este modelo atua como um comitê de tomadores de decisão, cada um olhando para os dados de um ângulo ligeiramente diferente para chegar a um consenso sobre quem está em risco.

A descoberta mais surpreendente surgiu quando o computador identificou os três fatores mais importantes que previam o sangramento. O primeiro foi a idade, que é um fator de risco bem conhecido; pacientes mais velhos geralmente enfrentam riscos maiores. O segundo foi um exame de sangue chamado tempo de tromboplastina parcial ativada, ou APTT, que mede quanto tempo o sangue leva para coagular. O computador aprendeu que mesmo um prolongamento leve nesse tempo, indicando que o sangue está levando mais tempo do que o normal para coagular, era um forte sinal de alerta. O terceiro fator foi o mais contraintuitivo. Os pesquisadores esperavam que níveis altos de creatinina, um resíduo filtrado pelos rins, sinalizassem perigo porque indica uma função renal deficiente. Em vez disso, o modelo descobriu que níveis muito baixos de creatinina eram um grande sinal de alerta. Em termos simples, a creatinina baixa geralmente sinaliza que o paciente tem muito pouca massa muscular e pode ser fisicamente frágil ou desnutrido. Esses pacientes, que podem parecer saudáveis no papel porque seus rins parecem estar bem, têm, na verdade, um corpo que não consegue lidar com o medicamento tão bem quanto outros. O computador reconheceu que essa "fragilidade oculta" os tornava tão propensos a sangrar quanto aqueles com doença renal grave.

Os pesquisadores não pararam na construção do modelo; eles o testaram rigorosamente para garantir que funcionaria em novos pacientes. Aplicaram seu melhor modelo a um grupo separado de 115 pacientes que foram tratados em um momento posterior. O modelo apresentou alta precisão, identificando corretamente os pacientes que sangrariam e aqueles que não sangrariam, provando que suas descobertas não foram apenas um acaso do primeiro grupo de pacientes. Ao utilizar um método chamado SHAP, que atua como uma janela transparente para o pensamento do computador, a equipe pôde ver exatamente como cada fator contribuiu para a previsão final. Eles viram que o risco não aumentava apenas lentamente com a idade ou mudanças nos exames de sangue; ele saltava bruscamente assim que certos limiares eram ultrapassados. Por exemplo, uma vez que o tempo de coagulação do sangue do paciente passava de um ponto específico, o risco de sangramento disparava. Da mesma forma, uma vez que os níveis de creatinina caíam abaixo de um certo ponto, o risco subia rapidamente.

Este estudo oferece um caminho prático para médicos e farmacêuticos. Em vez de adivinhar quem pode sangrar, eles agora podem usar uma ferramenta simples que observa apenas três coisas: a idade do paciente, quanto tempo o sangue leva para coagular e quanta massa muscular eles provavelmente possuem. Essa abordagem é particularmente útil durante as primeiras três semanas de tratamento, o período em que o risco é maior. Ao identificar pacientes com baixa massa muscular ou tempos de coagulação ligeiramente atrasados antes mesmo de iniciarem a medicação, os médicos podem monitorá-los mais de perto ou ajustar seus planos de cuidados para evitar que um sangramento menor se torne uma emergência de vida ou morte. O modelo não substitui o julgamento do médico, mas fornece um mapa de terreno claro e baseado em dados, ajudando a navegar na linha tênue entre prevenir coágulos e causar danos. Ele transforma um desafio médico complexo em um conjunto de pistas gerenciáveis, garantindo que os benefícios vitais dos modernos anticoagulantes possam ser desfrutados com maior segurança.