Avaliação de Tecnologia em Saúde na Doença Renal Crônica: Análise de Biomarcadores por Inteligência Artificial.

Abstract

Introdução: No Brasil, mais de 134 mil indivíduos estão em hemodiálise e são acompanhados no Sistema Único de Saúde (SUS) através da Diretriz Clínica de Cuidado ao paciente com Doença Renal Crônica. Esta tecnologia em saúde preconiza a avaliação de 30 biomarcadores em diferentes periodicidades: mensal, trimestral, semestral, anual e eventual. Esse volume de dados de mundo real (do inglês, RWD) associados a Inteligência Artificial (IA) tem o potencial de analisar o valor de uso destes biomarcadores e – consequentemente – da Diretriz Clínica, tornando-se um método de Avaliação de Tecnologia em Saúde (ATS). Objetivos: Desenvolver um método com rede neural para avaliar a Diretriz Clínica de 2014 utilizando os biomarcadores de pacientes em hemodiálise no SUS. Material e Método: Estudo de coorte retrospectiva realizado em 23 Centros de Diálise de cinco estados do Brasil: Rio de Janeiro, Distrito Federal, São Paulo, Minas Gerais e Pernambuco. Os RWD foram coletados de 2012 a 2016 em prontuário eletrônico padronizado e extraídos mensalmente do Banco de Dados Europeu de Diálise Clínica. Foram incluídos pacientes maiores de 18 anos incidentes em hemodiálise e excluídos aqueles com menos de três meses de seguimento. Foram testados 14 algoritmos de IA para a predição do desfecho óbito, utilizando 20 variáveis: 17 biomarcadores e 3 variáveis de perfil. As métricas de acurácia, precisão, sensibilidade e F1-score foram aplicadas para a rede neural e a AUC- ROC demonstrou o desempenho dos melhores modelos. Resultados: Foram analisados RWD de 1.834 pacientes incidentes em hemodiálise pareados para presença-ausência do desfecho óbito. As métricas de acurácia, precisão, sensibilidade e F1-score da rede neural Multilayer Perceptron (MLP) foram: 70%; 71%; 72%; 69%. A AUC-ROC dos melhores modelos foram: Random Forest (0.77), Logistic Regression (0.77), XGBoost (0.76), Decision Tree (0.64). As variáveis com maior impacto nestes modelos foram albumina, sódio, idade, taxa de redução de ureia e hemoglobina. Esta relação foi inversamente proporcional (quanto menor o valor do biomarcador, maior o impacto no modelo), com exceção da idade. A atual periodicidade de mensuração da albumina é trimestral e os demais biomarcadores são mensais e - neste estudo, demonstraram estarem adequados no tocante ao seu valor de uso preditivo para óbito. Discussão e Conclusões: A partir dos biomarcadores de pacientes em hemodiálise, este estudo desenvolveu um método preditivo de óbito com rede neural, sendo o primeiro a avaliar tais parâmetros da Diretriz Clínica para esta população. A performance dos modelos foi demonstrada por métricas validadas com resultados promissores. Este fato aponta que a ATS pode se beneficiar com o uso de IA e RWD com grande potencial de aplicabilidade para outras diretrizes clínicas mediante ajustes técnicos. Como perspectivas futuras, pretende-se desenvolver modelos preditivos para internação hospitalar e avaliar diferentes periodicidades de mensuração dos biomarcadores para otimizar custos ao SUS.

Keywords

• Machine Learning; Rede Neural; Real World Data, Hemodiálise; Diretriz Clínica; Sistema Único de Saúde.