Aprendizado de máquina no cuidado da diabetes e na predição do risco cardiovascular

O rápido progresso da inteligência artificial (IA) e do aprendizado de máquina (AM) despertou esperanças para uma abordagem mais personalizada, eficiente e eficaz no manejo do diabetes mellitus e suas sequelas cardiovasculares. Atualmente, essas tecnologias foram empregadas para automatizar o rastreamento do diabetes, detectar complicações macro e microvasculares e permitir a fenotipagem multiômica para recomendações personalizadas de prevenção e terapia. No entanto, a maioria não consegue se traduzir em melhorias nos desfechos para os pacientes e comunidades.

Por isso, Oikonomou e Khera (2023) revisaram vários métodos de AM e como eles podem ser utilizados no desenvolvimento de modelos preditivos, com foco no diagnóstico, prognóstico, fenotipagem e tratamento do diabetes e suas complicações cardiovasculares.

Embora os termos estejam ligados, eles não são idênticos. A IA descreve a capacidade de uma máquina de realizar tarefas típicas, como compreender a linguagem natural, resolver problemas ou tarefas criativas, como gerar imagens e textos.

O AM é um subsetor da IA que envolve o aprendizado e a melhoria a partir de dados, sem ser explicitamente programado, para fazer previsões ou identificar padrões. Nesse, o modelo faz previsões e, em seguida, ajusta seus parâmetros com base em uma métrica que quantifica a qualidade das previsões (função de perda).

O processo de aprendizado pode ser supervisionado ou não supervisionado. O primeiro descreve um processo iterativo que seleciona características de entrada relevantes e, em seguida, atribui pesos para vincular esses dados a um determinado valor (regressão) ou classe (classificação). Por exemplo, pode ser usado para prever melhor o risco cardiovascular futuro (regressão). Por outro lado, o segundo analisa e agrupa conjuntos de dados não rotulados, identificando semelhanças e diferenças entre eles, descobrindo assim padrões ocultos. Pode ser usado, por exemplo, para identificar diferentes agrupamentos fenotípicos de pacientes com diabetes.

Modelos de aprendizado profundo (DL, da sigla em inglês para deep learning) são algoritmos de aprendizado de máquina que utilizam redes neurais com várias camadas para aprender e extrair padrões complexos a partir de grandes volumes de dados. Eles são capazes de realizar tarefas como reconhecimento de imagem, processamento de linguagem natural e previsão de séries temporais, por meio de uma arquitetura que imita aspectos do funcionamento do cérebro humano.

Por fim, o aprendizado autossupervisionado (SSL, da sigla em inglês para self-supervised learning) processa dados não rotulados para criar representações-chave que podem facilitar tarefas posteriores. Embora se assemelhe ao aprendizado não supervisionado, o SSL tenta resolver tarefas tradicionalmente abordadas por meio de aprendizado supervisionado, como classificação e regressão.

Para a avaliação do desempenho de um modelo preditivo, é necessária uma avaliação da discriminação, calibração e benefício clínico. Em relação ao primeiro, as métricas comumente usadas são Área Sob a Curva Característica de Operação do Receptor (AUROC) e a Área Sob a Curva de Precisão-Recall (AUPRC), que descrevem o ranqueamento do modelo das previsões individuais e sua capacidade de discriminar entre diferentes classes. A calibração avalia a concordância entre os desfechos previstos e observados em toda a gama de previsões. A análise de curva de decisão (DCA) pode ser usada para avaliar o benefício clínico de um modelo em uma gama de possíveis limiares para ação, e comparar com o dano em relação a outras abordagens.

A triagem precoce para pré-diabetes e diabetes é essencial para garantir um diagnóstico oportuno e prevenir complicações futuras da doença.  As diretrizes atuais recomendam que essa ocorra por meio de uma avaliação informal de fatores de risco ou uma calculadora de risco validada.

Vários escores de risco foram propostos, como o questionário da American Diabetes Association (ADA), um modelo de regressão logística treinado nos estudos National Health and Nutrition Examination Survey (NHANES), Atherosclerosis Risk in Communities (ARIC) e Cardiovascular Health Study (CHS). Além desses, pode-se citar a Ferramenta de Avaliação de Risco de Diabetes Tipo 2 Australiana (AUSDRISK) para prever a incidência de diabetes tipo 2 em 5 anos entre participantes com 25 anos ou mais e o Escore de Risco de Cambridge para detectar níveis elevados de HbA1c em indivíduos com 45 anos de idade. A precisão moderada dessas ferramentas levou aos pesquisadores a explorarem se a triagem direcionada poderia ser melhorada por meio do aprendizado de máquina (AM) de dados estruturados e não estruturados.

No NHANES, um classificador XGBoost baseado em 123 variáveis mostrou uma AUROC de 0,86 na detecção da presença de um diagnóstico estabelecido de diabetes, embora esse tenha caído para 0,73 ao detectar diabetes não diagnosticado. Em uma análise retrospectiva de 16 preditores de dados de exames de saúde de rotina de 277.651 participantes no Japão, um algoritmo de máquina foi capaz de prever a incidência de diabetes em 3 anos com uma AUROC de 0,84, demonstrando um bom desempenho.

Ademais, biomarcadores baseados em imagem também estão sendo estudados. Por exemplo, em uma coorte retrospectiva de 8.992 pacientes submetidos a uma colonoscopia virtual de rastreamento, um modelo de DL desses fenótipos conseguiu prever a futura incidência de diabetes com uma AUROC de 0,81 a 0,85.

Assinaturas multiômicas podem fornecer insights sobre a interação entre o genoma, o genoma e o ambiente de um paciente, mas muitas vezes são difíceis de medir em larga escala. Técnicas de AM não supervisionadas, usando dados de prontuários eletrônicos (PEP) disponíveis, podem oferecer insights valiosos sobre diferentes grupos fenotípicos. Em um estudo com 11.028 pacientes com diabetes tipo 2, um algoritmo de DL que analisou cinco anos de dados identificou sete grupos fenotípicos com trajetórias clínicas diferentes e diferentes taxas de comorbidades, como hipertensão e hipercolesterolemia, além de complicações do diabetes. Outra análise, com 175.383 pacientes com diabetes tipo 2, encontrou 20 grupos de comorbidades comuns e, usando modelos bayesianos, mostrou uma inter-relação complexa e dinâmica entre essas comorbidades e a progressão acelerada da doença.

Além disso, abordagens de DL podem ser usadas para monitorar grandes bancos de dados hospitalares e avaliar a qualidade dos cuidados. Por exemplo, uma análise de 33.461 pacientes com diabetes no norte da Califórnia, entre 2014 e 2020, usou processamento de linguagem natural para identificar com precisão o não uso de estatinas (AUROC de 0,99 [0,98–1,00]). Ela também destacou fatores relacionados ao paciente (efeitos colaterais/contraindicações), ao clínico (não seguir as diretrizes) e ao sistema (inércia clínica) como razões para o não uso de estatinas, com diferenças marcantes de acordo com raça e etnia.

Dada sua simplicidade e ampla disponibilidade, imagens de fundoscopia foram usadas em alguns dos primeiros modelos de DL na medicina, prevendo retinopatia diabética com desempenho equivalente ao de especialistas.

Abordagens de imagem cardiovascular não invasivas, como a medição de cálcio nas artérias coronárias (CAC), angiografia por tomografia computadorizada das coronárias ou testes funcionais, são frequentemente usadas para estratificar o risco de pacientes com diabetes e doença cardiovascular (DCV) subclínica diagnosticada. No entanto, tais são dispendiosas e difíceis de implementar para triagem em nível populacional.

As abordagens de AM podem apoiar uma triagem mais eficiente para DCV. Em uma análise retrospectiva de dados administrativos da Austrália, investigadores combinaram técnicas de AM com uma abordagem de análise de redes sociais para definir a rede de doenças para pacientes com diabetes com ou sem DCV e identificar características discriminatórias para a presença de DCV, com uma AUROC geral relatada de 0,83 para o classificador de floresta aleatória, caindo para 0,81 para um modelo de regressão logística.

Modelos preditivos podem ser personalizados para condições cardiovasculares específicas, como insuficiência cardíaca congestiva. Em uma análise pós-hoc do ensaio ACCORD, um modelo de floresta de sobrevivência aleatória não paramétrico previu o risco de insuficiência cardíaca incidente, com um C-statistic de 0,77.

À medida que o foco se desloca da prevenção secundária das complicações relacionadas ao diabetes para uma prevenção mais precoce na comunidade, várias tecnologias de saúde digital surgem que podem ser implementadas em grande escala e com custo mínimo.

Modelos de linguagem grandes (LLMs) são algoritmos de inteligência artificial treinados em grandes quantidades de texto para gerar e entender linguagem humana. São indiferentes às tarefas e têm mostrado fornecer instruções “concisas”, “bem organizadas” e fáceis de entender para uma série de perguntas sobre o auto-gerenciamento do diabetes. Tais ferramentas poderiam ser incorporadas em plataformas digitais de saúde existentes que combinam dados de medidores de glicose, impedância bioelétrica, pressão arterial, atividade e análise nutricional derivada de IA para melhorar a glicemia e a perda de peso entre pacientes com diabetes tipo 2.

Da mesma forma, a rápida adoção de dispositivos vestíveis e smartwatches levou ao desenvolvimento de soluções habilitadas por IA para otimizar o gerenciamento glicêmico. O GlucoWatch, um produto de monitoramento de glicose no sangue não invasivo e indolor aprovado pela Food and Drug Administration dos EUA em 2001, demonstrou sua aplicabilidade e viabilidade no campo dos produtos de monitoramento de diabetes.

Os avanços em IA e aprendizado de máquina revolucionaram a medicina, melhorando o manejo do diabetes e suas complicações cardiovasculares. No entanto, desafios como a padronização da avaliação dos modelos, sua interpretabilidade e a mitigação de vieses ainda precisam ser superados. Para explorar todo o potencial da IA na transição para um cuidado mais centrado no paciente, é essencial promover um ambiente colaborativo entre profissionais de saúde, pesquisadores, patrocinadores e agências regulatórias.