COMENTÁRIO

'Quanto tempo eu tenho de vida?' Responder com Gestalt ou com dados?

Dr. F. Perry Wilson

Notificação

6 de julho de 2022

Esta transcrição foi editada para maior clareza.

Bem-vindo(a) ao Fator de Impacto, sua dose semanal de comentários sobre novos estudos clínicos. Sou o Dr. Francis Perry Wilson da Yale School of Medicine.

Esta é Cassandra.

Você se lembra de Cassandra. Filha de Príamo, rei de Troia, ela tinha o dom da profecia – tudo o que ela previa acontecia –, mas foi amaldiçoada para que ninguém acreditasse nela. Ela avisou o seu irmão, Paris, que o rapto de Helena traria a destruição de Troia. Mas ele ouviu? Bom, o resto é história.

Vivemos numa era de Cassandras digitais. Com os avanços da inteligência artificial e da aprendizagem de máquina (machine learning), a nossa capacidade de prever os desfechos dos pacientes está se tornando assustadoramente boa. Vamos ouvir essas previsões e mudar as nossas condutas? Talvez a gente queira fazer isso, porque, segundo um novo estudo do JAMA Network Open, as máquinas são agora nos superam neste trabalho.

O câncer metastático é um diagnóstico devastador, que vem acompanhado de muitas decisões difíceis. Devemos fazer a próxima linha de quimioterapia? Tentar um ensaio clínico? Optar pelo tratamento paliativo? Fundamentando todas essas decisões há uma previsão simples, baseada em uma pergunta que todo médico já ouviu: "Quanto tempo eu tenho de vida?"

Esta é uma conversa que ninguém gosta de ter com os pacientes, mas ela é importante. É uma conversa na qual a honestidade e a precisão são fundamentais, mas em geral, os médicos são excessivamente otimistas quando tentam estimar o tempo de vida dos pacientes com câncer avançado e outras doenças graves. Não acho que seja uma questão de “dourar a pílula” – é mais querer que tudo dê certo. Mas o fato é que quando estamos conversando sobre estas questões com os pacientes, talvez não sejamos precisos.

Diante dessa imprecisão, muita gente cai no agnosticismo – o velho "não tenho bola de cristal". Minha impressão é que os pacientes não gostam muito disso.

Mas e se você pudesse ter uma bola de cristal? Ou talvez uma de silício? É exatamente isso que este artigo promete.

Em resumo, pesquisadores liderados pelo Dr. Finly Zacarias no City of Hope National Medical Center, Estados Unidos, utilizaram dados de quase 30 mil pacientes com câncer metastático para construir um modelo de aprendizagem de máquina que levasse em conta todos os tipos de variáveis clínicas, desde os valores laboratoriais até os códigos CID-9, para prever a ocorrência de morte em três meses.

Eles então construíram esse modelo no prontuário eletrônico, permitindo que as previsões sejam feitas em tempo real enquanto os oncologistas respondiam a uma pergunta simples: "Você se surpreenderia se esse paciente morresse nos próximos três meses?"

Esta pergunta cria uma análise binária simples: "Sim, eu ficaria surpreso" ou "Não, eu não ficaria surpreso". Os oncologistas disseram "que não ficariam surpresos" cerca de 13% do tempo. Como se pode ver, a mortalidade dos pacientes no grupo que não causaria surpresa foi significativamente maior do que a dos pacientes no grupo que causaria surpresa.

Mas observe que, em três meses, mais de 10% das pessoas do grupo que causaria surpresa tinham morrido. Como o grupo que causaria surpresa é muito maior do que o grupo que não causaria surpresa, verifica-se que 70% de todas as mortes que ocorrem nessa população nos primeiros três meses surpreendem.

Falando francamente, um oncologista dizendo que não se surpreenderia com a morte de um paciente dentro de três meses é um sinal de mau prognóstico. Mas o fato de eles dizerem que ficariam surpresos não é muito tranquilizador.

Os oncologistas são otimistas. Só identificaram corretamente cerca de 30% dos pacientes que morreram nesse período de três meses.

Mas e a máquina fria, desprovida de sentimentos? Bem, um senão é que a máquina não dá uma previsão binária. Com ou sem surpresa, gera um número. Pense nisso como uma chance percentual de morte, de 0 a 100.

Para nivelar o campo, os pesquisadores escolheram um ponto de corte da previsão que identificasse também somente 30% das pessoas que morreriam em até três meses. Mas o que é interessante é que nesse ponto de corte, as pessoas sinalizadas como tendo alto risco de morrer tiveram muito mais probabilidade de morrer. Em outras palavras, houve muito menos falsos-positivos.

Colocando em conjunto, se um oncologista disser que não ficaria surpreso se o paciente morresse em três meses, será sinal de mau prognóstico. Se o computador disser isso, será sinal de péssimo prognóstico.

A previsão por computador foi definida artificialmente, de modo a não identificar 70% dessas mortes, tal como um oncologista, mas isso não é inteiramente necessário. Dependendo de onde o ponto de corte for definido, você pode capturar mais essas mortes, com aumento do risco de falsos-positivos, ou menos dessas mortes com menor risco de falsos-positivos, uma relação capturada nesta curva de recuperação de precisão.

E, naturalmente, com o modelo do computador você não precisa ajustar um ponto de corte. Em teoria, você poderia dizer para um paciente que ele ou ela tem 65% de chance de morrer em até três meses – embora eu pense que o grau de detalhamento de uma previsão como essa possa ser particularmente angustiante.

Em todo caso, os autores têm demonstrado de forma bastante conclusiva que o modelo tem um desempenho melhor do que o médico; ao ritmo do aprimoramento da inteligência artificial, os modelos só ficarão melhores. E aí? O que fazemos com a previsão de Cassandra?

Vários estudos mostraram que o encaminhamento precoce a uma unidade de tratamento paliativo de fato aumenta o tempo de vida dos pacientes com câncer metastático. Estes modelos devem ser utilizados para direcionar as unidades de tratamento paliativo? Ou talvez para sinalizar aos pacientes que poderiam se sair melhor com mais tratamento? Os médicos permitirão que esses modelos substituam a própria avaliação? Estas questões representam a próxima fronteira da inteligência artificial na medicina. As previsões, até agora, são boas. Está na hora de descobrir se vamos lhes dar ouvidos.

O Dr. Francis Perry Wilson é professor associado de medicina e diretor do Yale's Clinical and Translational Research Accelerator. Seu trabalho de divulgação científica pode ser encontrado no Huffington Post, na NPR e aqui no Medscape. Ele tuita como  @fperrywilson e mantém um repositório de seu trabalho em www.methodsman.com .

Siga o Medscape em português no Facebook, no Twitter e no YouTube

Comente

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

processing....