📄 medicine

A Predictive LASSO regression model to determine the potential predictors of medication adherence in myocardial infarction patients: A cross-sectional study

Este estudo transversal de 300 pacientes com infarto do miocárdio utilizou a regressão LASSO para identificar dez preditores significativos de baixa adesão medicamentosa e desenvolveu um modelo de nomograma validado para prever eficazmente os riscos de adesão e orientar as intervenções clínicas.

Autores originais: Mohammad Hossein Sharifi, Soorena Khorshidi, Somayeh Zarei, Mina Zarmehrparirouy, Reyhane Gashtasebi

Publicado 2026-06-30

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Mohammad Hossein Sharifi, Soorena Khorshidi, Somayeh Zarei, Mina Zarmehrparirouy, Reyhane Gashtasebi

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que o seu coração é como o motor de um carro de alto desempenho. Após uma grande avaria (um ataque cardíaco, ou Infarto do Miocárdio), o mecânico dá-lhe um cronograma de manutenção rigoroso: tome estes comprimidos, coma esta comida e faça este tanto de exercício. Se seguir o cronograma perfeitamente, o motor funciona sem problemas. Se o ignorar, o motor poderá avariar novamente, por vezes de forma permanente.

Este estudo é como uma equipa de detetives a tentar perceber por que razão algumas pessoas seguem o cronograma de manutenção perfeitamente, enquanto outras se esquecem ou o ignoram.

Aqui está a história da investigação deles, explicada de forma simples:

A Equipa de Investigação e os Suspeitos

Os investigadores reuniram um grupo de 300 condutores (doentes) que tinham acabado de ter os seus motores reparados. Eles queriam encontrar as "pistas" que previam quem cumpriria o plano de manutenção e quem não o faria.

Eles não apenas adivinharam; utilizaram uma ferramenta de deteção computadorizada muito inteligente chamada LASSO. Pode pensar no LASSO como um filtro super eficiente. Imagine que tem um saco gigante com 39 pistas diferentes (como idade, rendimento, hábitos de tabagismo, escolaridade, o quanto confia em si próprio para seguir regras, etc.). A maioria destas pistas é apenas ruído. O trabalho do LASSO é filtrar o saco, deitar fora o ruído inútil e entregar-lhe apenas as 10 pistas mais importantes que realmente importam.

As 10 Grandes Pistas Encontradas

Após processar os números, o estudo descobriu que estes 10 fatores eram os preditores mais fortes de se um doente seria bom ou mau a tomar a sua medicação:

Dinheiro: Pessoas que tinham dinheiro suficiente para cobrir as suas contas eram mais propensas a seguir as regras.
Onde viviam: Pessoas que viviam na cidade (urbano) portavam-se melhor do que as que viviam no campo.
Tabagismo: Os não fumadores eram melhores a seguir o plano do que os fumadores.
Histórico de Cirurgia: Pessoas que passaram por um tipo específico de cirurgia cardíaca (CABG) tendiam a seguir as regras melhor.
Autoconfiança: Isto é muito importante. Chama-se "autoeficácia". Se um doente acreditava que conseguia lidar com a sua saúde, fazia melhor. É como acreditar que consegue realmente mudar o óleo do seu carro.
Cuidados Gerais: O quão bem cuidavam de si próprios em geral.
Educação: Níveis mais elevados de escolaridade ajudavam.
Outros Problemas de Saúde: Surpreendentemente, ter outros problemas de saúde (comorbilidades) na verdade tornava as pessoas mais propensas a tomar os seus medicamentos para o coração. (Talvez porque já estivessem habituadas a tomar comprimidos para outras coisas!)
Visitas ao Hospital: Pessoas que tinham sido hospitalizadas com mais frequência eram mais propensas a seguir as regras.
Exercício: Pessoas que moviam os seus corpos durante 150–300 minutos por semana portavam-se melhor.

O "Mapa Mágico" (O Nomograma)

Os investigadores não se limitaram a listar estas pistas; eles construíram um Mapa Mágico (chamado Nomograma).

Pense neste mapa como uma pontuação num jogo de vídeo. Dá ao mapa os detalhes do paciente (ex: "Ele fuma, vive na cidade e tem baixa confiança") e o mapa soma pontos.

Se a pontuação for alta, o mapa acende uma luz vermelha de aviso: "Alto risco de se esquecer dos medicamentos!"
O estudo descobriu que, para a combinação de fatores do "pior cenário possível", o mapa previa uma probabilidade de 81% de o paciente ter dificuldades em tomar a sua medicação.

Quão Bom Foi o Trabalho de Detetive?

Os investigadores testaram o seu Mapa Mágico para ver se era preciso.

O Teste de Precisão: Utilizaram um teste padrão chamado curva ROC. O mapa obteve uma pontuação de 0,74, o que é como tirar um "B" ou um "B+" na escola. Não é perfeito, mas é definitivamente bom o suficiente para ser útil.
A Calibração: Verificaram se as previsões do mapa correspondiam à realidade. Estava muito próximo, o que significa que o mapa não estava apenas a adivinhar; estava a dizer a verdade.

A Conclusão Final

O estudo conclui que, se quiser saber quem é provável que se esqueça do seu medicamento para o coração, olhe para a sua confiança, para a sua carteira, para os seus hábitos de tabagismo e para o quanto se exercita.

Os investigadores afirmam que este modelo é uma ferramenta poderosa. Ajuda os médicos a olharem para um paciente e dizerem: "Ei, com base nestas 10 pistas, esta pessoa tem um alto risco de se esquecer dos seus comprimidos. Vamos dar-lhe ajuda extra antes de ela ter outro ataque cardíaco."

Nota Importante: O estudo admite que tem algumas limitações. Eles apenas observaram os pacientes durante um curto período (um ano) e não os acompanharam durante anos depois. Além disso, não conseguiram obter dados de todos os pacientes do mundo, apenas de um grupo específico em Shiraz, Irão. Mas, para o grupo que estudaram, o "Mapa Mágico" funcionou bem.

Resumo Técnico: Regressão LASSO Preditiva para Adesão à Medicação em Pacientes com Infarto do Miocárdio

Definição do Problema
O infarto do miocárdio (IM) continua sendo uma das principais causas de morbidade e mortalidade global, particularmente em sociedades em desenvolvimento. Embora os avanços médicos tenham melhorado a sobrevida pós-IM, a eficácia do tratamento a longo prazo depende fortemente da adesão à medicação. A baixa adesão crônica às medicações prescritas é uma barreira crítica para prevenir eventos cardiovasculares recorrentes. Embora fatores como autoeficácia, mudanças no estilo de vida e características demográficas sejam conhecidos por influenciar a adesão, há uma necessidade de identificação precisa dos preditores mais relevantes entre uma ampla gama de variáveis potenciais para facilitar intervenções clínicas direcionadas. Este estudo aborda o desafio de distinguir preditores significativos de um grande conjunto de variáveis candidatas para melhorar o manejo de pacientes com IM.

Metodologia
Este estudo transversal, realizado entre junho e agosto de 2024 em Shiraz, Irã, analisou dados de 300 pacientes adultos (com idades entre 30 e 65 anos) diagnosticados com IM no ano anterior. Os participantes foram recrutados via amostragem por conveniência, excluindo aqueles com transtornos psiquiátricos, demência ou incapacidade de responder.

Coleta de Dados: O estudo utilizou um questionário demográfico e clínico abrangendo 39 variáveis, incluindo status socioeconômico, histórico clínico (ex: CABG, stents, comorbidades) e fatores de estilo de vida.
Medição do Desfecho: A adesão à medicação foi avaliada pela Escala de Adesão à Medicação de Morisky (MMAS-8). As pontuações foram dicotomizadas em "boa adesão" (pontuação 8) e "má adesão" (pontuações <8, combinando as categorias baixa e moderada).
Medição da Autoeficácia: O questionário de autoeficácia de Sullivan, de 16 itens, mediu o cuidado geral, o controle de sintomas da doença e o gerenciamento da dieta.
Análise Estatística:
- A triagem inicial envolveu análises univariadas (testes de Qui-quadrado, Fisher's exact, Mann-Whitney U) para identificar variáveis com $p < 0,05$ .
- Regressão LASSO: Para lidar com a multicolinearidade e selecionar o conjunto mais parcimonioso de preditores, o modelo de regressão logística Least Absolute Shrinkage and Selection Operator (LASSO) foi aplicado com validação cruzada de 5 dobras (5-fold cross-validation). Esta técnica de aprendizado de máquina minimizou os coeficientes de regressão para excluir variáveis colineares.
- Validação do Modelo: Um nomograma preditivo foi construído com base nas variáveis selecionadas pelo LASSO. O desempenho do modelo foi avaliado utilizando curvas de Característica de Operação do Receptor (ROC) (AUC), curvas de calibração (escore de Brier), análise de curva de decisão e curvas de impacto clínico. Todas as análises foram realizadas no R (versão 4.5.1).

Principais Resultados

Demografia: A coorte apresentou uma média de idade de 54,20 ± 8,50 anos, com 81% de participantes do sexo masculino. Notavelmente, 73% do total da amostra exibiu má adesão à medicação.
Achados Univariados: Diferenças significativas entre os grupos de boa e má adesão foram observadas em economia, atividade física, tabagismo, comorbidade, autoeficácia, cuidado geral e gerenciamento da dieta.
Seleção de Variáveis pelo LASSO: Das 39 variáveis iniciais, o modelo LASSO identificou 10 preditores significativos de má adesão à medicação:
1. Status econômico (renda vs. despesas)
2. Residência urbana/rural
3. Status de tabagismo
4. Histórico de Revascularização do Tronco da Coronária Esquerda (CABG)
5. Pontuações de autoeficácia
6. Pontuações de cuidado geral
7. Nível de escolaridade
8. Presença de comorbidade
9. Frequência de hospitalização
10. Níveis de atividade física
Insights Multivariáveis: A regressão logística multivariável indicou que pacientes sem comorbidades tinham 1,93 vezes mais chances de má adesão, enquanto não fumantes tinham 43% menos chances. O engajamento em 150–300 minutos de atividade física semanal reduziu as chances de má adesão em 55%.
Desempenho do Modelo:
- Nomograma: O modelo previu uma probabilidade de 0,81 para má adesão de alto risco baseada nos preditores selecionados.
- Discriminação: A Área Sob a Curva (AUC) foi de 0,742, indicando uma precisão diagnóstica aceitável.
- Calibração: O escore de Brier foi de 0,16, e a curva de calibração mostrou boa concordância entre os resultados previstos e observados.
- Utilidade Clínica: As curvas de decisão e de impacto clínico demonstraram que o modelo forneceu benefícios clínicos líquidos e identificou com precisão indivíduos de alto risco.

Significância e Alegações
Os autores afirmam que este estudo fornece uma estrutura robusta e baseada em dados para identificar preditores independentes de não adesão à medicação em pacientes com IM. Ao utilizar o modelo de regressão LASSO, o estudo conseguiu reduzir um conjunto complexo de 39 variáveis para 10 fatores fundamentais, oferecendo uma ferramenta de estratificação de risco mais precisa do que os métodos tradicionais.

A principal significância reside no desenvolvimento de um nomograma validado que os clínicos podem usar para identificar pacientes com alto risco de má adesão (com uma probabilidade prevista de 0,81 para perfis de alto risco). Os autores sustentam que este modelo gera benefícios clínicos significativos ao permitir a implementação oportuna de intervenções direcionadas. O estudo conclui que fatores como maior renda, residência urbana, status de não fumante, histórico de CABG, maior escolaridade, hospitalizações frequentes, maior autoeficácia e níveis específicos de atividade física são preditores notáveis de boa adesão. Os autores posicionam este trabalho como uma aplicação inovadora de técnicas de aprendizado de máquina no contexto do manejo do IM, oferecendo insights profundos para abordar os desafios da adesão.

Limitações
Os autores reconhecem limitações específicas, incluindo o desenho transversal, que impede a inferência causal, a falta de dados longitudinais sobre a adesão nos anos subsequentes ao evento cardíaco devido a restrições de documentação clínica, e um tamanho de amostra que pode ser insuficiente para análises de subgrupos mais granulares.