The Logical Structure of Clinical Trial Eligibility Criteria: A Corpus-Scale Measurement of Disjunction in Non-Small-Cell Lung Cancer Trials

Todo ensaio clínico começa com uma lista de regras. Estas são os critérios de elegibilidade, as condições específicas que uma pessoa deve cumprir para participar de um estudo. Eles determinam quem recebe o novo tratamento e quem não recebe, atuando como os guardiões da pesquisa médica. Durante décadas, cientistas e sistemas de computador que tentam combinar pacientes com esses ensaios operaram sob uma suposição simples e silenciosa: a de que as regras funcionam como uma lista de verificação onde cada item deve ser marcado. Nesta visão, um paciente é elegível apenas se satisfizer a condição A, e a condição B, e a condição C, todos ao mesmo tempo. É uma forma direta de pensar sobre um documento complexo, mas trata o texto como uma lista plana de requisitos.

No entanto, a linguagem da medicina raramente é tão simples. Médicos frequentemente escrevem regras que oferecem escolhas. Um paciente pode ser permitido a participar se tiver um tipo de marcador genético ou outro. Ele pode ser excluído se tiver tomado o medicamento X, o medicamento Y ou o medicamento Z. Estas não são apenas listas; são alternativas lógicas. Se um sistema de computador ignorar essas escolhas e tratar cada opção como um requisito obrigatório, ele comete um erro fundamental. Ele pode rejeitar um paciente que é, na verdade, elegível porque este não preencheu uma opção que não precisava preencher, ou pode aceitar um paciente que deveria ser excluído porque falhou em perceber que ter apenas uma entre várias condições negativas era suficiente para desqualificá-lo. Até agora, ninguém havia medido a frequência com que essas escolhas realmente aparecem nos vastos arquivos de ensaios clínicos.

Uma equipe de pesquisadores partiu para resolver esse enigma examinando os critérios de elegibilidade para o câncer de pulmão de células não pequenas, uma forma importante da doença. Eles reuniram os registros de milhares de ensaios de um registro público, criando uma coleção massiva de quase 190.000 regras individuais. Para dar sentido a essa montanha de texto, eles construíram uma nova ferramenta usando inteligência artificial avançada. Esta ferramenta foi projetada para ler a estrutura lógica de cada frase, procurando especificamente pela presença de sentenças com "ou" — lugares onde a regra oferece um caminho alternativo. Antes de confiar a ferramenta ao conjunto completo de dados, os pesquisadores a testaram rigorosamente. Eles compararam seu trabalho contra um conjunto de regras que haviam sido cuidadosamente rotuladas por especialistas humanos e, em seguida, pediram que três profissionais médicos independentes revisassem um novo lote de regras para criar um novo padrão cego. A ferramenta provou ser notavelmente precisa, correspondendo aos especialistas humanos quase perfeitamente e confirmando que uma versão mais barata da inteligência artificial poderia fazer o mesmo trabalho que uma mais cara.

Quando os pesquisadores aplicaram esta ferramenta à coleção completa de ensaios de câncer de pulmão, os resultados foram impressionantes. Eles descobriram que a simples suposição da lista de verificação estava errada para quase metade de todas as regras. Na amostra validada, 46,2% dos critérios individuais expressavam uma escolha lógica em vez de um requisito único. Isso significa que, em quase todos os ensaios, havia pelo menos uma regra que oferecia uma alternativa. O padrão era ainda mais pronunciado nas regras que excluíam pacientes. Enquanto cerca de 36% das regras que permitiam a entrada de pacientes ofereciam uma escolha, quase 57% das regras que mantinham os pacientes fora o faziam listando múltiplas formas de serem desqualificados. Se um sistema de computador lê essas regras de exclusão como uma lista de coisas que um paciente deve ter para ser rejeitado, em vez de uma lista de coisas que poderiam desqualificá-lo, ele cria um risco de segurança ao permitir a entrada de pessoas que deveriam ser mantidas fora.

O estudo também revelou como essa complexidade mudou ao longo do tempo. No início da década de 1990, quando os pesquisadores observaram os ensaios mais antigos, apenas cerca de 18% das regras ofereciam uma escolha. Na década de 2010, esse número aproximadamente dobrou para cerca de 50%, onde permaneceu estável. Esse aumento ocorreu mesmo que a extensão dos documentos dos ensaios não tenha mudado drasticamente durante o período em que os números estavam subindo, sugerindo que as regras em si estão se tornando estruturalmente mais complexas, não apenas mais longas. Os pesquisadores observaram que esse padrão se manteve verdadeiro independentemente de quem estava conduzindo o ensaio ou de qual fase de teste se tratava, indicando que este é um traço geral de como os protocolos médicos modernos são escritos.

A conclusão é que a maneira como tentamos combinar pacientes com ensaios precisa de uma mudança fundamental. Por décadas, o campo dependeu de métodos que tratam cada regra como uma condição obrigatória. Este estudo mostra que tal abordagem é mal especificada para quase metade dos critérios e para quase todos os ensaios no registro. O erro não é apenas uma pequena falha estatística; ele tem consequências reais. Quando o sistema perde uma escolha em uma regra de inclusão, ele afasta pacientes que poderiam ter ajudado o estudo. Quando perde uma escolha em uma regra de exclusão, corre o risco de comprometer a segurança dos participantes ao admitir pessoas que não deveriam estar lá. Os pesquisadores argumentam que, antes de podermos construir sistemas melhores para combinar pacientes com ensaios, devemos primeiro medir e compreender a forma lógica das próprias regras. A era de tratar os critérios de ensaios clínicos como uma simples lista de requisitos acabou; a realidade é um cenário de escolhas que deve ser navegado com cuidado.