O aprendizado profundo pode estimar o efeito individual do tratamento na progressão da incapacidade na esclerose múltipla e aumentar o poder estatístico de ensaios clínicos?
Resposta curta: Sim. Um modelo de aprendizado profundo estimou o efeito condicional médio do tratamento (CATE) a partir de características clínicas e de imagem basais. Pacientes previstos como mais responsivos, quando randomizados preferencialmente, apresentaram maior efeito do tratamento, com aumento do poder estatístico em ensaios clínicos de esclerose múltipla.
Resposta
A progressão da incapacidade na esclerose múltipla é um desafio terapêutico e a falta de biomarcadores limita ensaios de fase 2. O estudo propõe uma estratégia de enriquecimento preditivo usando aprendizado profundo para estimar o efeito condicional médio do tratamento (CATE) com base em características clínicas e de imagem basais.
Foi utilizado um perceptron multicamadas multi-cabeça, pré-treinado em pacientes com esclerose múltipla remitente-recorrente (n = 2.520) e ajustado em pacientes com esclerose múltipla progressiva primária (PPMS) (n = 695), a partir de dados de seis ensaios clínicos randomizados (n = 3.830).
Em um conjunto de teste separado de pacientes com PPMS randomizados para anticorpos anti-CD20 ou placebo (n = 297), o efeito médio do tratamento foi maior para os 50% (HR, 0.492; 95% CI, 0.266-0.912; p = 0.0218) e 30% (HR, 0.361; 95% CI, 0.165-0.79; p = 0.008) previstos como mais responsivos, em comparação com 0.743 (95% CI, 0.482-1.15; p = 0.179) para o grupo inteiro.
O mesmo modelo também identificou respondedores à laquinimod em outro conjunto de teste separado de pacientes com PPMS (n = 318). Além disso, o uso do modelo para enriquecimento preditivo resultou em aumentos importantes no poder estatístico.
Esses achados sugerem que a estimativa individual do efeito do tratamento por aprendizado profundo pode viabilizar ensaios clínicos de prova de conceito mais curtos e eficientes, reduzindo barreiras no desenvolvimento de fármacos para esclerose múltipla.
O que o estudo mostrou
Estudo de aprendizado profundo com dados de seis ensaios clínicos randomizados (n = 3.830). O modelo foi pré-treinado em pacientes com esclerose múltipla remitente-recorrente (n = 2.520) e ajustado em pacientes com PPMS (n = 695). Em conjunto de teste separado de PPMS randomizados para anti-CD20 ou placebo (n = 297), o efeito médio do tratamento foi maior nos 50% e 30% previstos como mais responsivos (HR, 0.492 e 0.361, respectivamente) do que no grupo total (HR, 0.743). O modelo também identificou respondedores à laquinimod em outro conjunto de teste (n = 318) e aumentou o poder estatístico.
Limitações
O resumo não informa detalhes sobre a população dos ensaios, critérios de inclusão, ou limitações do modelo. Os resultados referem-se a conjuntos de teste específicos de PPMS e à laquinimod, não sendo possível generalizar para outras populações ou tratamentos. O resumo não informa validação externa independente além dos conjuntos de teste descritos.
Aplicação no consultório
A aplicação prática imediata é para pesquisa clínica e desenvolvimento de fármacos, não para decisões individuais no consultório. O médico pode considerar que estratégias de enriquhecimento preditivo podem tornar ensaios clínicos mais eficientes, mas a ferramenta ainda não está validada para uso rotineiro. Na gestão do consultório, isso reforça a importância de participar de ensaios clínicos e de acompanhar avanços em medicina de precisão na esclerose múltipla.
Estudo citado
Estimating individual treatment effect on disability progression in multiple sclerosis using deep learning. Nature communications, 2022.
Autores: Falet JR, Durso-Finley J, Nichyporuk B, Schroeter J, Bovis F, Sormani MP, Precup D, Arbel T, Arnold DL.
DOI: 10.1038/s41467-022-33269-x · PubMed: PMID 36163349
Perguntas para aprofundar
- Como o aprendizado profundo pode ser usado para identificar pacientes com esclerose múltipla mais responsivos a tratamentos específicos?
- Qual o impacto do enriquecimento preditivo no poder estatístico de ensaios clínicos em esclerose múltipla?
- O modelo de CATE pode ser aplicado a outras doenças neurológicas além da esclerose múltipla?
Mais sobre IA na descoberta de fármacos
- Como a inteligência artificial pode transformar a descoberta e o desenvolvimento de fármacos contra o câncer?
- Modelos dinâmicos de sobrevida com aprendizado de máquina e profundo podem melhorar a predição de desfechos clínicos e a prática médica?
- Como modelos de aprendizado de máquina e aprendizado profundo têm avançado na predição de toxicidade e o que isso muda na prática clínica e na gestão do consultório?
- Como a inteligência artificial pode auxiliar na detecção e inibição de vias de resistência antimicrobiana baseadas em proteínas?
- Como a inteligência artificial está sendo aplicada à bioinformática e o que isso muda na prática clínica e na pesquisa médica?
Todas as perguntas sobre IA na descoberta de fármacos · Todos os temas · Versão em markdown