Um grupo de autores europeus de diferentes nacionalidades publicaram na edição de janeiro deste ano do European Journal of Heart Failure os resultados de um ensaio multicêntrico, randomizado, com inclusão de um número significativo de pacientes, que investigou as características fenotípicas de portadores de IC responsivos à terapia de ressincronização cardíaca, baseado em um modelo computadorizado com aprendizagem pela máquina *.
O aprendizado da máquina, tradução livre da expressão inglêsa Machine Learning (ML), é um campo da computação que leva a inteligência artificial a outro nível, fazendo com que os computadores “aprendam a pensar”.
O aprendizado da máquina envolve algoritmos que permitem que as máquinas aprendam por conta própria e respondam certas questões com certeza. Para desenvolver estes algoritmos, existem duas modalidades: aprendizagem supervisionada e não supervisionada.
Rapidamente, na aprendizagem supervisionada, o algoritmo é treinado dando-lhe as perguntas, chamadas características, e as respostas, chamadas de tags. Isso é feito para que o algoritmo as combine e possa fazer previsões.
Na sem supervisão, apenas as características são concedidas, sem fornecer o algoritmo com qualquer rótulo **.
Os autores da publicação européia apontam na introdução à sua obra que o objetivo da medicina personalizada é otimizar a adaptação do tratamento para pacientes específicos, a fim de maximizar a resposta ao tratamento, que, como um pré-requisito, exige uma caracterização fenotípica precisa do paciente a ser tratado. A síndrome de insuficiência cardíaca (IC) compreende grupos de pacientes particularmente heterogêneos, aos quais se soma o sucesso limitado de algumas opções de tratamento.
As abordagens da aprendizagem de máquina (ML) baseadas em modelos computacionais têm sido aplicadas no diagnóstico, classificação, avaliação de readmissões e adesão à medicação de pacientes com insuficiência cardíaca, bem como para identificar diferentes grupos de pacientes em vários distúrbios, incluindo insuficiência cardíaca com fração de ejeção preservada, e para prever a mortalidade em pacientes com suspeita de doença arterial coronariana.
A ML supervisionada implica em uso de algoritmos interativos que “aprendem” de um conjunto de dados de treinamento grande e precisamente identificado; Embora muitas vezes com um diagnóstico “preciso”, geralmente é impossível inferir o “índice de diagnóstico” empregado nestes algoritmos.
Já as abordagens não supervisionadas não tentam identificar uma “verdade” diagnóstica ou prognóstica, mas agrupam os pacientes de acordo com várias características, que podem ser demográficas, históricas ou medidas de determinados parâmetros.
Ao agrupar pacientes semelhantes em múltiplas dimensões, é possível analisar as características dos indivíduos agrupados de forma semelhante e relacioná-los aos resultados ou respostas terapêuticas.
Anteriormente, os autores demonstraram que a aprendizagem não supervisionada múltipla (Multiple Kernel Learning – MKL – sigla em Inglês) pode ser aplicada para encontrar semelhanças entre os pacientes, com base em uma ampla gama de dados heterogêneos, tais como descritores complexos baseados em imagens da estrutura e função do ventrículo, de maneira “agnóstica”.
Uma dessas áreas onde a caracterização fenotípica mais precisa pode melhorar a seleção de pacientes é a terapia de ressincronização cardíaca (TRC), que, apesar dos requisitos claros de sua indicação, uma proporção substancial dos pacientes não respondem a terapia.
Abordagens baseadas neste modelo, integrando parâmetros clínicos complexos com dados ecocardiográficos da deformação do miocárdio (“strain”) e mudanças no volume do ventrículo esquerdo medidos ao longo do ciclo cardíaco podem superar algumas das limitações das abordagens tradicionais na seleção de pacientes para TRC e fornecem um exemplo de como a ML pode ser usada para identificar pacientes com insuficiência cardíaca e características específicas que possibilitem melhora nas respostas e resultados do tratamento.
Por conseguinte, os investigadores europeus utilizaram dados do Estudo Multicêntrico de Implantação de Cardiodesfibrilador com Ressincronização Cardíaca (MADIT-CRT), um grande ensaio clínico aleatório de 1820 pacientes com fracção de ejecção ≤ 30%, QRS ≥ 130 ms e classe funcional NYHA ≤ II para determinar se a ML não supervisionada poderia auxiliar na identificação de pacientes com probabilidade de responder à TRC.
Eles selecionaram um grupo de 1106 pacientes aleatorizados para TRC com um desfibrilador (TRC-D, n = 677) ou um Cardioversor Desfibrilador Implantável (CDI, n = 429).
Um algoritmo ML não supervisionado foi usado para classificar os pacientes por semelhanças nos parâmetros clínicos e traços do volume e deformação do ventrículo esquerdo no início do estudo em grupos mutuamente exclusivos.
O efeito do tratamento nos grupos TRC-D e CDI teve como desfecho primário (morte por qualquer causa, evento de insuficiência cardíaca e a resposta de volume) foi comparado entre esses grupos.
A análise identificou quatro grupos fenotípicos, significativamente diferentes na maioria das características clínicas basais: valores de biomarcadores, medidas da estrutura, função ventricular esquerda ou direita e a incidência de desfechos primários.
Dois desses grupos incluíram uma proporção maior de características clínicas conhecidas que predizem a resposta à TRC e estavam associados a um efeito substancialmente melhor do tratamento com TRC-D evidenciada no desfecho primário [razão de risco (RR) 0,35; Intervalo de confiança (IC) de 95%: 0,19-0,64; P = 0,0005 e HR 0,36; IC95% 0,19 a 0,68; P = 0,001] do que foi observado nos outros grupos (interação P = 0,02).
Em conclusão, os autores sublinham que estes resultados servem como uma prova de conceito de que através da integração de parâmetros clínicos e os dados de imagem de todo o ciclo cardíaco, a ML sem supervisão pode proporcionar uma classificação clinicamente significativa de um coorte de pacientes com HF fenotipicamente heterogênea e poderia ajudar a otimizar a taxa de pacientes que respondem às terapias de ressincronização.
* Cikes M, Sanchez-Martinez S, Claggett B, Duchateau N, Piella G, Butakoff C, Pouleur AC, Knappe D, Biering-Sørensen T, Kutyifa V, Moss A, Stein K, Solomon SD, Bijnens B. Machine learning-based phenogrouping in heart failure to identify responders to cardiac resynchronization therapy. Eur J Heart Fail. 2019 Jan;21(1):74-85. doi: 10.1002/ejhf.1333. Epub 2018 Oct 17.
** Zambrano Juan, ¿Aprendizaje supervisado o no supervisado? Conoce sus diferencias dentro del machine learning y la automatización inteligente. https://medium.