Análise de classes latentes

A análise de classes latentes (ACL) é uma técnica estatística que agrupa dados em classes latentes (CLs). Ela identifica padrões de resposta e relaciona a grupo de pessoas, ou seja, determina subgrupos com características semelhantes com base em um pertencimento não observável. Por exemplo, pode-se questionar se dermatologistas, confrontados com uma série de pacientes com diferentes características clínicas, são igualmente consistentes ao propor um diagnóstico de artrite psoriásica. Em um estudo utilizando ACL, foi documentado que especialistas se agrupam em dois clusters rotulados como diagnosticadores altos e baixos da doença. Nenhuma categoria intermediária foi encontrada.

Tecnicamente, a ACL é um tipo especial de modelo de mistura finita (MMF), também conhecido como modelos de aprendizado não supervisionado. A técnica assume que um conjunto de dados observado se origina de várias subpopulações subjacentes e faz inferências estatísticas sobre as propriedades dessas subpopulações com informações apenas sobre a população agrupada. No exemplo anterior, a única distribuição disponível é a de decisões diagnósticas dos clínicos. Como esses se agrupam, considerando sua propensão a diagnosticar artrite psoriásica quando confrontados com características clínicas específicas, não é conhecido. Ao contrário de outras técnicas de agrupamento, como o agrupamento hierárquico, que tentam encontrar clusters com alguma medida de distância escolhida arbitrariamente, o MMF deriva clusters utilizando uma abordagem probabilística.

Existem dois conjuntos de parâmetros em uma ACL. O primeiro é o conjunto de probabilidades de inclusão (ou de pertencimento à classe), ou seja, a probabilidade de que um caso aleatório em uma população seja incluído em qualquer CL. No exemplo anterior, existem duas classes: diagnosticadores altos e baixos, e cada clínico experiente possui uma determinada probabilidade de pertencer a uma ou outra classe. O segundo parâmetro é a probabilidade condicional de que, dada uma classe específica, uma variável assuma um determinado valor; por exemplo, a probabilidade de que um paciente com uma característica específica, avaliado por um clínico na classe de diagnosticadores baixos, seja classificado como paciente com artrite psoriásica.

Covariáveis adicionais também podem ser usadas para prever o pertencimento à classe. Voltando ao exemplo, cada clínico é confrontado com um conjunto de variáveis que caracterizam o paciente como um caso ou não caso de artrite psoriásica. Essas, como histórico familiar de psoríase, título do fator reumatoide (RF), distrofia ungueal e dactilite nos pés, se distribuem de forma diferente nas duas classes de diagnosticadores altos versus baixos de artrite psoriásica.

Na ACL, as variáveis mensuráveis e covariáveis devem ser qualitativas e nominais, com uma ou mais categorias por variável (por exemplo, sexo e idade). Dependendo do software, as variáveis podem ser manuseadas diretamente como entidades nominais ou devem ser inseridas como variáveis dicotômicas.

Na pesquisa clínica, a ACL tem um campo de aplicações potencialmente vasto, onde variáveis qualitativas e nominais são frequentemente utilizadas. Na dermatologia, no entanto, a ACL não foi amplamente utilizada. As áreas na qual é aplicada são: classificação de fenótipos de doenças alérgicas, análise de comportamento em relação a vários fatores de risco diferentes, classificação de fenótipos de doenças de pele além do eczema, realização de testes diagnósticos e padrão de resposta a medicamentos e reações adversas.

Com o avanço dos sistemas de informação na medicina, uma enorme quantidade de dados pode ser coletada rotineiramente, ou seja, big data. A ACL pode ser utilizada para analisar esses dados e encontrar clusters, especialmente quando estão presentes classes latentes raras (com <5% dos dados). No entanto, quando há uma grande quantidade de informações disponível, uma possível desvantagem é que variáveis redundantes ou não informativas podem introduzir vieses ou reduzir a eficiência dos algoritmos de agrupamento.

Em conclusão, a ACL representa uma abordagem inovadora e valiosa para o entendimento de dados complexos, especialmente nas ciências da saúde, como na dermatologia. Sua capacidade de discernir subgrupos ocultos e padrões, ao mesmo tempo que lida com variáveis qualitativas, posiciona essa técnica como uma ferramenta essencial para pesquisas clínicas.