Blog Post

Liderado por Sriram Chandrasekaran, Professor Associado de Engenharia Biomédica, e Awanti Sambarey, pós-doutoranda, um grupo de especialistas da Universidade de Michigan desenvolveu um modelo de IA multimodal capaz de prever como os pacientes com TB responderão ao tratamento.

O objetivo deste estudo é melhorar os resultados do tratamento da TB e os cuidados clínicos, especialmente para casos resistentes a medicamentos, analisando uma grande quantidade de dados multimodais de pacientes com tuberculose (TB) da base de dados NIAID TB Portals. Os pesquisadores analisaram dados de 5.060 casos de TB em 10 países com alta incidência de TB multirresistente (MDR-TB). Eles utilizaram dados clínicos, radiológicos, microbiológicos e genômicos, entre outras fontes.

Descobertas e métodos importantes:

1. Modelo de aprendizado de máquina multimodal: Usando florestas aleatórias, os pesquisadores desenvolveram um modelo combinado de aprendizado de máquina que superou modelos construídos com tipos separados de dados. A área sob a curva (AUC) para este modelo multimodal foi de 0,84, o que significa que ele teve 83,2% de precisão na previsão dos resultados do tratamento. Validação cruzada e validação externa em novos dados de pacientes foram usadas para garantir a precisão do modelo. Ele tinha 203 características de diferentes tipos de dados.

2. Análise do regime medicamentoso: O estudo identificou certas combinações de medicamentos associadas a tratamentos bem-sucedidos ou malsucedidos para diferentes tipos de TB resistente a medicamentos. O regime de tratamento de “bedaquilina, clofazimina, cicloserina, levofloxacina e linezolida” foi fortemente associado ao tratamento bem-sucedido da TB para MDR não-XDR TB. Por outro lado, a combinação de “bedaquilina, clofazimina, linezolida e moxifloxacina” foi associada ao insucesso do tratamento para o mesmo tipo de TB.

3. Pontuações de interações medicamentosas: Os pesquisadores usaram a ferramenta INDIGO-MTB para calcular pontuações de interações medicamentosas para diferentes combinações. Eles descobriram que os resultados do tratamento eram melhores quando os medicamentos eram combinados de maneiras sinérgicas (pontuações de interação mais baixas). Este resultado destaca a importância de considerar as combinações de medicamentos ao projetar regimes de tratamento eficazes para TB.

4. Características de imagem: A análise de radiografias de tórax e tomografias computadorizadas revelou algumas características de imagem fortemente associadas aos resultados do tratamento e à resistência a medicamentos. Muitas dessas incluíam volumes pulmonares anormais, obstruções brônquicas, pleurite e certos padrões de nódulos e cavidades em diferentes regiões dos pulmões.

5. Fatores sociodemográficos e clínicos: O estudo descobriu que o IMC do paciente, situação de emprego, nível de educação, idade de início e a presença de comorbidades como HIV e anemia estavam altamente correlacionados com a resposta ao tratamento.

6. Aspectos genéticos do patógeno: Os pesquisadores examinaram mutações em genes de Mtb associados à resistência a medicamentos. Eles descobriram que mutações co-ocorrentes em genes como gyrA, inhA, katG, rpoB e rpsL estavam fortemente associadas a resultados ruins de tratamento.

Aplicações práticas da pesquisa:

1. Planejamento de tratamento individualizado: O modelo de previsão multimodal desenvolvido neste estudo pode ser usado para calcular a probabilidade de falha do tratamento para cada paciente. Ao inserir os dados clínicos, radiológicos e do patógeno de um paciente, os médicos podem obter uma previsão mais precisa e adaptar os planos de tratamento de acordo. Esta abordagem personalizada pode levar a melhores resultados, especialmente em casos difíceis de tratar de TB resistente a medicamentos.

2. Identificação de combinações ideais de medicamentos: A identificação de combinações de medicamentos associadas ao sucesso ou falha do tratamento é extremamente valiosa para os médicos ao buscar regimes ideais para pacientes com MDR-TB e XDR-TB. Por exemplo, o estudo indica que para o tratamento de MDR-TB, regimes baseados em levofloxacina são superiores aos baseados em moxifloxacina.

3. Utilização de dados de interação medicamentosa: A descoberta de que o uso de medicamentos sinérgicos leva a melhores resultados pode informar o desenvolvimento de novos regimes de tratamento. Médicos e pesquisadores podem usar ferramentas como o INDIGO-MTB para prever interações medicamentosas e selecionar combinações mais sinérgicas ao projetar planos de tratamento.

4. Interpretação aprimorada de imagens: Os achados do estudo sobre características de imagem associadas aos resultados do tratamento e resistência a medicamentos podem ajudar radiologistas e clínicos a interpretar melhor as radiografias de tórax e tomografias computadorizadas de pacientes com TB. Isso pode levar a avaliações mais precisas da gravidade da doença e resistência a medicamentos no início, facilitando o início oportuno do tratamento apropriado.

5. Estratificação de risco: Os fatores sociodemográficos e clínicos identificados como associados a resultados ruins podem ser usados para desenvolver ferramentas de avaliação de risco. Essas ferramentas podem ajudar os médicos a identificar pacientes de alto risco que podem necessitar de monitoramento mais próximo ou cuidados adicionais durante o tratamento.

6. Intervenções direcionadas de saúde pública: Os achados do estudo sobre a importância do IMC, emprego e educação nos resultados do tratamento podem informar o planejamento de programas de saúde pública. Recursos podem ser direcionados para abordar esses determinantes sociais da saúde para melhorar as taxas gerais de sucesso do tratamento da TB.

7. Vigilância genômica: A análise de dados genômicos de Mtb pode ajudar a melhorar a vigilância de cepas de TB resistentes a medicamentos. Esses dados podem ser usados para monitorar a propagação de cepas resistentes e informar estratégias de controle da tuberculose em níveis regionais e globais.

8. Sistemas de suporte à decisão clínica: O modelo de previsão multimodal poderia ser integrado aos sistemas de registros eletrônicos de saúde para apoiar a tomada de decisões clínicas. Isso permitiria que os clínicos acessassem informações em tempo real baseadas em dados para orientar as decisões de tratamento.

9. Priorização de pesquisas: Os resultados do estudo podem orientar futuras pesquisas sobre TB. Por exemplo, a associação inesperada de certas combinações de medicamentos com falha no tratamento exige mais investigação e pode levar ao desenvolvimento de regimes de tratamento aprimorados.

10. Gestão global da TB: Como o estudo analisou dados de vários países com alta carga de MDR-TB, seus resultados têm ampla aplicabilidade no controle global da TB. As metodologias e insights podem ser adaptados e aplicados em diversos cenários de saúde em todo o mundo.

Em conclusão, este estudo multimodal abrangente de dados de pacientes com TB fornece insights valiosos para melhorar a eficácia do tratamento da TB. Ao integrar diversos tipos de dados de pacientes e patógenos, o estudo oferece uma compreensão mais holística dos determinantes do sucesso ou fracasso do tratamento. Com aplicações práticas que vão desde o cuidado individual do paciente até estratégias globais de saúde pública, este estudo tem o potencial de contribuir significativamente para o objetivo da Organização Mundial da Saúde de acabar com a epidemia de tuberculose até 2035.