A tuberculose (TB) é a infecção bacteriana mais mortal do mundo. Ela afetou mais de 10 milhões de pessoas e tirou 1,3 milhão de vidas em 2022. A previsão é de que esses números aumentem drasticamente devido à disseminação da tuberculose multirresistente a tratamentos.
Por que um paciente com tuberculose se recupera da infecção enquanto outro sucumbe? E por que um medicamento funciona em um paciente, mas não em outro, mesmo que eles tenham a mesma doença?
A Humanidade vem lutando contra a TB há milênios. Por exemplo, pesquisadores encontraram múmias egípcias de 2400 AEC que mostram sinais de tuberculose. Embora as infecções ocorram em todo o mundo, os países com o maior número de casos de tuberculose multirresistente são Ucrânia, Moldávia, Belarus e Rússia.
Os pesquisadores preveem que a guerra na Ucrânia resultará em um aumento nos casos de TB multirresistente devido às interrupções no atendimento à saúde. Além disso, a pandemia de COVID-19 reduziu o acesso ao diagnóstico e ao tratamento da tuberculose, revertendo décadas de progresso em todo o mundo.
A análise rápida e abrangente dos dados médicos disponíveis pode ajudar a otimizar os tratamentos para cada paciente e reduzir a resistência aos medicamentos. Em nossa pesquisa publicada recentemente, minha equipe e eu descrevemos uma nova ferramenta de Inteligência Artificial (IA) que desenvolvemos e que usa dados de pacientes do mundo todo para orientar um tratamento mais personalizado e eficaz da tuberculose.
Prevendo sucesso ou fracasso
Minha equipe e eu queríamos identificar quais variáveis podem prever como um paciente responde ao tratamento da tuberculose. Assim, analisamos mais de 200 resultados de testes clínicos, imagens médicas e prescrições de medicamentos de mais de 5 mil pacientes com tuberculose em 10 países. Examinamos informações demográficas, como idade e gênero, histórico de tratamento anterior e se os pacientes tinham outras doenças. Por fim, também analisamos dados sobre várias cepas de tuberculose, como os medicamentos aos quais o patógeno é resistente e as mutações genéticas que ele apresenta.
A análise de conjuntos de dados enormes como esses pode ser esmagadora. Mesmo a maioria das ferramentas de IA existentes tem tido dificuldade para analisar grandes conjuntos de dados. Estudos anteriores usando IA se concentraram em um único tipo de dados, como imagens ou idade, e tiveram sucesso limitado na previsão das respostas dos pacientes aos tratamentos da tuberculose.
Usamos uma abordagem de IA que nos permitiu analisar um número grande e diversificado de variáveis simultaneamente e identificar sua relação com os resultados do tratamento da tuberculose. Nosso modelo de IA era transparente, o que significa que podemos ver seu funcionamento interno para identificar as características clínicas mais significativas. E era também multimodal, o que significa que podia interpretar diferentes tipos de dados ao mesmo tempo.
Depois de treinarmos nosso modelo de IA para analisar o conjunto de dados, descobrimos que ele poderia prever o prognóstico do tratamento com 83% de precisão em dados de pacientes novos e superar os modelos de IA existentes. Em outras palavras, poderíamos alimentar o modelo com as informações de um novo paciente e a IA determinaria se um tratamento específico seria bem-sucedido ou não.
Observamos que características clínicas relacionadas à nutrição, especialmente um índice de massa corporal (IMC) mais baixo, estão associadas ao fracasso do tratamento. Isso apoia o uso de intervenções para melhorar a nutrição, já que a tuberculose é tipicamente mais prevalente em populações subnutridas.
Descobrimos também que certas combinações de medicamentos funcionavam melhor em pacientes com certos tipos de infecções resistentes a medicamentos, mas não em outros, o que levava ao fracasso do tratamento. A combinação de medicamentos sinérgicos, ou seja, que aumentam a potência uns dos outros no laboratório, pode dar melhores resultados.
Considerando o ambiente complexo do corpo em comparação com as condições do laboratório, até agora não ficou claro se as relações sinérgicas entre os medicamentos no laboratório se sustentam na prática clínica. Nossos resultados sugerem que o uso de IA para eliminar medicamentos antagônicos, ou medicamentos que inibem ou neutralizam uns aos outros, no início do processo de descoberta e desenvolvimento de novos medicamentos, pode evitar falhas no tratamento no futuro.
Erradicando a tuberculose com a ajuda da IA
Nossas descobertas podem ajudar pesquisadores e médicos a cumprir a meta da Organização Mundial da Saúde de acabar com a tuberculose até 2035, destacando a importância relativa de diferentes tipos de dados clínicos. Isso pode ajudar a priorizar os esforços de saúde pública para mitigar os impactos da tuberculose.
Embora o desempenho de nossa ferramenta de IA seja promissor, ela não é perfeita em todos os casos, e é necessário mais treinamento antes que ela possa ser usada na prática clínica. A diversidade demográfica pode ser alta em um país e pode até variar entre hospitais. Estamos trabalhando para tornar essa ferramenta mais generalizável para ser usada em todas as regiões do mundo.
Nosso objetivo é adaptar nosso modelo de IA para identificar regimes de medicamentos adequados para indivíduos com determinadas condições. No lugar de um protocolo de tratamento único para todos, esperamos que o estudo de vários tipos de dados possa ajudar os médicos a personalizar os tratamentos para cada paciente a fim de proporcionar os melhores resultados.