Algoritmo prevê risco de mortalidade precoce ao iniciar quimioterapia

Pam Harrison

Notificação

2 de agosto de 2018

Um algoritmo que utiliza aprendizado de máquina (machine learning) usando dados de prontuários eletrônicos pode prever com precisão o risco de mortalidade precoce para os pacientes com câncer prestes a iniciar a quimioterapia (QT), mostrou um estudo de coorte retrospectivo.

"O início da quimioterapia é um evento crucial na trajetória do câncer, e previsões objetivas de mortalidade em pouco tempo podem ter muita utilidade para médicos e pacientes", disseram o primeiro autor, Dr. Ziad Obermeyer, do Brigham e Women's Hospital e da Harvard Medical School em Boston, Massachusetts, e colaboradores.

"O modelo teve bom desempenho para vários tipos de câncer e diferentes características demográficas, como raça, sexo e outras", escreveram os autores.

"As estimativas foram precisas para os esquemas quimioterápicos paliativos e curativos, para os pacientes com câncer em estágio inicial e avançado, e para os tratados com esquemas de ensaios clínicos realizados nos anos subsequentes aos do treinamento do modelo", acrescentaram.

São necessárias mais pesquisas para determinar a viabilidade de aplicar esse algoritmo em outras situações clínicas, advertem os pesquisadores.

O estudo foi publicado on-line em 27 de julho no periódico JAMA Network Open.

Para o estudo, a equipe analisou dados de prontuários eletrônicos de todos os pacientes submetidos à quimioterapia no Dana-Farber/Brigham e Women's Cancer Center em Boston, Massachusetts.

"Identificamos 26.946 pacientes que iniciaram 51.774 diferentes esquemas quimioterápicos de 2004 a 2014", escreveram os pesquisadores.

A média de idade do grupo foi de 58,7 anos, sendo 61,1% do sexo feminino e 86,9% brancos. No momento do início da quimioterapia, 59,4% tinham doença em estágio avançado.

Informando os resultados somente do modelo de validação, e não do modelo de derivação no qual este se baseou, os pesquisadores afirmaram que a mortalidade geral em 30 dias foi de 2,1% para os 9.114 pacientes incluídos no conjunto de validação.

"O modelo previu com exatidão a mortalidade em 30 dias para todos os pacientes, independentemente do tipo de quimioterapia, paliativa ou curativa", afirmaram os autores.

Entre os pacientes que fizeram quimioterapia paliativa – para os quais as estimativas prognósticas seriam especialmente importantes – o modelo também teve bom desempenho, com uma área sob a curva (AUC, do inglês Area Under the Curve) de 0,924, acrescentam.

Os pesquisadores também usaram esse modelo para classificar cada paciente fazendo quimioterapia paliativa em termos de risco de mortalidade precoce em 30 dias. Neste subgrupo, os autores descobriram que a mortalidade em 30 dias foi de 22,6% entre os pacientes no decil de risco previsto mais alto em comparação com 0% para os pacientes no decil de risco mais baixo.

Mortalidade em 180 dias

A equipe usou o modelo para prever o risco de mortalidade em 180 dias. Entre todos os pacientes incluídos no conjunto de validação, os índices gerais de mortalidade em 180 dias foram de 18,4%. Entre os pacientes que fizeram quimioterapia paliativa, a mortalidade em 180 dias foi maior, de 27,9%.
"As previsões do modelo sobre a mortalidade em 30 dias também foram indicadoras precisas da mortalidade em 180 dias", observaram os pesquisadores.

Mais uma vez, entre aqueles no decil de risco mais alto, a mortalidade em 180 dias foi de 74,8%, em comparação com 0,2% entre os pacientes classificados no decil de risco mais baixo.

Os pesquisadores também aplicaram o modelo aos pacientes com doença em estágio avançado. Nesse subgrupo, média do índice de mortalidade em 30 dias foi de 2,9%. Novamente, no entanto, o risco de mortalidade em 30 dias foi consideravelmente maior, de 22,7%, entre os pacientes no decil de risco mais alto, comparado com 0% entre os pacientes no decil de risco mais baixo.

Mesmo quando o modelo foi usado para esquemas quimioterápicos experimentais iniciados entre 2012 e 2014, a acurácia prevista pelo modelo de validação foi muito alta, com uma AUC de 0,942, observaram os pesquisadores. Isso ocorre apesar do fato de o modelo usado para treinar o algoritmo não ter sido exposto a esses novos esquemas, acrescentaram.

Comparação com duas fontes externas

Analisando apenas os pacientes com doença em estágio avançado, os autores compararam o desempenho do modelo com duas fontes externas de estimativas de mortalidade – dados de ensaios clínicos controlados randomizados e dados do registro de vigilância, epidemiologia e desfechos finais (SEER, banco de dados norte-americano de Surveillance, Epidemiology, and End Results).

Os pesquisadores observaram que tanto os dados dos prontuários eletrônicos quanto os do registro de vigilância, epidemiologia e desfechos finais costumam ser usados pelos médicos para calcular a previsão da mortalidade.

"A AUC geral das estimativas de ensaios clínicos controlados randomizados foi de 0,555 (...) em comparação com 0,771 das estimativas com base nos modelos", informa a equipe.

As previsões do modelo superaram de forma semelhante as estimativas dos dados de vigilância, epidemiologia e desfechos finais de mortalidade em um ano para os mesmos grupos de pacientes. Os autores do estudo indicam que, para serem úteis, os modelos preditivos devem ajudar os médicos a tomar decisões fundamentais na prática clínica diária.

Os pesquisadores sugeriram que um algoritmo de aprendizado de máquina como o que criaram, que pode identificar os pacientes com câncer com alto risco de mortalidade precoce, "pode ajudar a orientar as decisões do paciente e do médico sobre o início da quimioterapia e o planejamento antecipado da melhor conduta".

O estudo foi subsidiado por doações do Office of the Director, the National Institute on Aging e pelo Dana-Farber Cancer Institute. O coautor Dr. Ravi B. Parikh recebeu honorários pessoais de GNS Healthcare sem relação com o trabalho descrito. Os outros autores revelaram não possuir conflitos de interesses relevantes.

JAMA Network Open. Publicado on-line em 27 de julho de 2018. Artigo

Comente

3090D553-9492-4563-8681-AD288FA52ACE
Comentários são moderados. Veja os nossos Termos de Uso

processing....