ML fornece recomendações personalizadas de tratamento de hipertensão

Jul 01, 2023

Fonte: Getty Images

Por Shania Kennedy

09 de junho de 2023 - Pesquisadores da Universidade de Boston (BU) desenvolveram em parceria um modelo de aprendizado de máquina (ML) projetado para fornecer recomendações personalizadas de tratamento para hipertensão e ajudar os médicos a escolher qual medicamento hipertensivo pode ser o mais adequado para seus pacientes.

No estudo que descreve o modelo, publicado recentemente na BMC Medical Informatics and Decision Making, os pesquisadores explicaram que prescrever a medicação mais eficaz para pacientes com hipertensão pode ser um desafio. Fatores genéticos, comorbidades e outras características do paciente podem levar a várias respostas ao tratamento, dependendo do medicamento anti-hipertensivo prescrito.

O tratamento personalizado da hipertensão tem o potencial de resolver esses obstáculos, mas essa abordagem não foi amplamente adotada nos cuidados clínicos.

Isso levou os pesquisadores a criar uma ferramenta de suporte à decisão clínica baseada em ML destinada a fornecer às equipes de atendimento sugestões de tratamento de hipertensão em tempo real para ajudar a reduzir a pressão arterial sistólica de maneira mais eficaz do que os métodos padrão de atendimento atuais.

O modelo usa características específicas do paciente, como histórico médico, dados demográficos, sinais vitais e resultados de testes de EHRs para fornecer aos médicos uma prescrição de hipertensão 'personalizada'.

“Este é um novo algoritmo de aprendizado de máquina que aproveita informações em registros eletrônicos de saúde e mostra o poder da IA ​​na área da saúde”, disse Ioannis Paschalidis, PhD, professor distinto da BU College of Engineering e membro da equipe de pesquisa, no comunicado à imprensa detalhando o estudar. “Nosso modelo baseado em dados não está apenas prevendo um resultado, mas também sugerindo o medicamento mais apropriado para cada paciente”.

O modelo usa o perfil de um paciente individual para gerar uma lista de medicamentos sugeridos, que também inclui a probabilidade de sucesso associada a cada medicamento com base nas informações do paciente e na eficácia do medicamento em um grupo de pacientes semelhantes.

“Nosso objetivo é facilitar uma abordagem de personalização para o tratamento da hipertensão com base em algoritmos de aprendizado de máquina [e] buscando maximizar a eficácia dos medicamentos hipertensivos no nível individual”, afirmou Paschalidis.

Para desenvolver o modelo, os pesquisadores extraíram dados não identificados dos registros médicos de 42.752 pacientes no Boston Medical Center (BMC) de 2012 a 2020.

Os pacientes foram classificados em grupos com base em características clinicamente relevantes, incluindo dados demográficos, histórico médico e leituras anteriores de pressão arterial. A partir daí, os dados foram alimentados com o modelo ML e três algoritmos adicionais projetados para prever planos de tratamento de hipertensão adequados.

A eficácia de cada modelo foi então comparada com a do padrão de atendimento atual.

O modelo ML teve desempenho 7,08% melhor do que o segundo melhor algoritmo e alcançou uma redução 70,3% maior na pressão arterial sistólica do que o padrão de tratamento.

O modelo ML também destacou o valor de reduzir ou interromper os medicamentos anti-hipertensivos para alguns pacientes que já tomavam vários medicamentos.

"Essas análises preditivas avançadas têm a capacidade de aumentar a tomada de decisão de um clínico e ter um impacto positivo na qualidade do atendimento que prestamos e, portanto, nos resultados de nossos pacientes", explicou Rebecca Mishuris, MD, diretora de informações médicas do Mass General Brigham que anteriormente atuou como professor assistente na BU Chobanian & Avedisian School of Medicine. "Este é um primeiro passo importante que mostra que esses modelos realmente funcionam melhor do que o padrão de atendimento e podem nos ajudar a ser melhores médicos".

O estudo também destacou como os modelos de inteligência artificial (IA) podem ajudar a melhorar a qualidade do atendimento e as abordagens de medicina personalizada.

"Usando dados da população diversificada de pacientes do Boston Medical Center, este modelo oferece a oportunidade de adaptar o atendimento a populações sub-representadas, com recomendações individualizadas para melhorar os resultados para esses pacientes", disse Nicholas J. Cordella, MD, professor assistente da BU Chobanian & Avedisian School of Medicine. “Medicina personalizada e modelos como este são uma oportunidade para atender melhor populações que não estão necessariamente bem representadas nos estudos nacionais ou não foram levadas em consideração quando as diretrizes foram feitas”.