Um algoritmo de recomendação do MIT prevaª a probabilidade de que a ITU especa­fica de um paciente possa ser tratada com diferentes antibia³ticos, minimizando a necessidade de usar antibia³ticos específicos que podem ter efeitos colaterais negativos.

Um paradoxo sobre os antibia³ticos éque, em termos gerais, quanto mais os usamos, menos eles continuam a funcionar. O processo darwiniano de crescimento de bactanãrias resistentes aos antibia³ticos significa que, quando os medicamentos não funcionam, não podemos mais tratar infecções, levando grupos como a Organização Mundial da Saúde a alertar sobre nossa capacidade de controlar as principais ameaa§as a  saúde pública.

Por causa de sua onipresena§a, um ta³pico que éparticularmente preocupante são as infecções do trato urina¡rio (ITUs), que afetam metade de todas as mulheres e adicionam quase US $ 4 bilhaµes por ano em custos desnecessa¡rios de saúde . Os médicos costumam tratar as ITUs com antibia³ticos chamados fluoroquinolonas, que são baratos e geralmente eficazes. No entanto, eles também colocam as mulheres em risco de se infectarem com outras bactanãrias difa­ceis de tratar, como C. difficile e certas espanãcies de Staphylococcus , e também aumentam o risco de lesões nos tendaµes e doenças fatais, como la¡grimas aa³rticas . 

Como resultado disso, associações médicas publicaram diretrizes recomendando fluoroquinolonas como “ tratamentos de segunda linha ” que são devem ser usados ​​em um paciente quando outros antibia³ticos são ineficazes ou apresentam reações adversas. Ao mesmo tempo, médicos com tempo e recursos limitados continuam a prescrevaª-los em altas taxas. 

Uma equipe liderada por cientistas do MIT acredita que esse enigma abre uma oportunidade para uma ferramenta baseada em dados que poderia ajudar os médicos a tomar decisaµes mais seguras e personalizadas para os pacientes. 

Em um novo artigo , os pesquisadores apresentam um algoritmo de recomendação que prevaª a probabilidade de que a ITU de um paciente possa ser tratada com antibia³ticos de primeira ou segunda linha. Com essas informações, o modelo então faz uma recomendação para um tratamento especa­fico que seleciona um agente de primeira linha com a maior freqa¼aªncia possí­vel, sem levar a um excesso de falhas no tratamento.  

A equipe mostrou que o modelo permitiria aos médicos reduzir o uso de antibia³ticos de segunda linha em 67%. Para pacientes em que os médicos escolheram um medicamento de segunda linha, mas o algoritmo escolheu um medicamento de primeira linha, o medicamento de primeira linha acabou funcionando mais de 90% das vezes. Quando os médicos escolheram um medicamento de primeira linha inadequado, o algoritmo escolheu um medicamento de primeira linha apropriado quase na metade das vezes. 

O professor David Sontag do MIT diz que um sistema como este pode ser usado quando um paciente chega a  sala de emergaªncia ou ao consulta³rio de seu médico principal com suspeita de ITU. Mesmo quando a infecção éconfirmada, a bactanãria especa­fica ainda édesconhecida, dificultando a escolha de um plano de tratamento. a‰ aa­ que o algoritmo entra e faz uma sugestãousando dados do registro eletra´nico de saúde (EHR) de mais de 10.000 pacientes do Brigham & Women's Hospital (BWH) e do Massachusetts General Hospital (MGH). 

Apresentado em um artigo publicado esta semana na revista Science Translational Medicine , o sistema da equipe apresenta um algoritmo de limite que a equipe espera que seja intuitivo para os médicos aplicarem a uma ampla gama de medicamentos que enfrentam um dilema semelhante: como equilibrar a necessidade para um tratamento eficaz com o desejo de minimizar o uso de antibia³ticos de segunda linha. Eles também estruturaram seu modelo para ser incorporado diretamente ao EHR, eliminando etapas desnecessa¡rias e fluxos de trabalho adicionais.

Como um exemplo de como o algoritmo de limite funciona, os tratamentos de ITU são extremamente improva¡veis ​​de levar a efeitos colaterais com risco de vida, então um médico pode definir o limite de falha do tratamento em um número relativamente alto, como 10%. Por outro lado, os tratamentos para certas infecções da corrente sanguínea apresentam um risco muito maior de morte, então, nesses casos, o médico provavelmente definiria a falha do tratamento para umnívelmuito menor, como 1%. (Mesmo com um limite tão baixo de falha, os pesquisadores dizem que o algoritmo pode levar a melhorias adicionais, mas isso requer mais estudos.)

O projeto faz parte de uma onda maior de modelos de aprendizado de ma¡quina usados ​​para prever a resistência a antibia³ticos em sa­ndromes infecciosas, como infecções da corrente sanguínea e usando dados gena´micos de patógenos . Embora muitas dessas abordagens fornea§am novas informações cla­nicas, a maioria delas não foi amplamente adotada devido a  falta de interpretabilidade, dificuldade de integração em fluxos de trabalho clínicos e ausaªncia de evidaªncias que comprovem que funcionam em ambientes hospitalares reais. 

“O que éempolgante sobre esta pesquisa éque ela apresenta um modelo para a maneira certa de fazer uma avaliação retrospectiva”, diz Sontag, professor do Departamento de Engenharia Elanãtrica e Ciência da Computação do MIT. “Fazemos isso mostrando que épossí­vel fazer uma comparação comparativa dentro da prática cla­nica existente. Quando dizemos que podemos reduzir o uso de antibia³ticos de segunda linha e o tratamento inadequado em certas porcentagens, temos confianção nesses números em relação aos médicos ”. 

“Com este algoritmo, podemos realmente perguntar ao médico qual a probabilidade especa­fica de falha do tratamento que ele estãodisposto a arriscar para reduzir o uso de medicamentos de segunda linha em uma certa quantidade”, acrescenta Sanjat Kanjilal, professor da Harvard Medical School, médico de doenças infecciosas e diretor médico associado de microbiologia do BWH. Kanjilal e Sontag co-escreveram o novo artigo com pesquisadores da Carnegie Mellon University e MGH.

A equipe érápida em apontar que não testou seu algoritmo em formas mais complicadas de UTIs que envolvem condições pré-existentes e que a prova final de utilidade são pode ser avaliada por meio de um ensaio cla­nico randomizado. No entanto, dizem que a grande maioria dos casos de ITU são compata­veis com o sistema. 

Seguindo em frente, Sontag diz que os esforços futuros se concentrara£o em fazer um ensaio cla­nico randomizado, comparando a prática usual com as decisaµes baseadas em algoritmos. Eles também planejam aumentar a diversidade de seu tamanho de amostra para melhorar as recomendações por raça, etnia, status socioecona´mico e hista³ricos de saúde mais complexos. 

Sontag e Kanjilal co-escreveram o artigo com o estudante de graduação do MIT Michael Oberst, o estudante de graduação do MIT Sooraj Boominathan, a estudante de PhD da Carnegie Mellon Helen Zhou e David C. Hooper, chefe da unidade de controle de infecção do MGH. Sontag tem uma dupla afiliação com o Laborata³rio de Ciência da Computação e Inteligaªncia Artificial e com o Instituto de Engenharia Manãdica e Ciências.

O projeto foi apoiado, em parte, pelo praªmio MGH-MIT Grand Challenges, uma bolsa Harvard Catalyst e um praªmio CAREER da National Science Foundation.