Algoritmos de machine learning para a predição da persistência farmacológica na esquizofrenia : uma estratégia para garantir a continuidade do tratamento no SUS

Abstract

Introdução: A esquizofrenia é uma condição crônica grave que afeta aproximadamente 1% da população mundial, demandando tratamento contínuo e multidisciplinar, no qual os antipsicóticos de segunda geração (ASG) desempenham papel fundamental no controle de sintomas e prevenção de recaídas. No contexto do Sistema Único de Saúde (SUS), a descontinuação do tratamento representa um desafio crítico, associada a maiores taxas de recaídas, reinternações e custos elevados. Embora os termos adesão e persistência sejam frequentemente confundidos, este estudo foca na persistência, definida como a duração contínua do uso do medicamento sem interrupções significativas ao longo do tempo. A aplicação de Inteligência Artificial (IA) em saúde pública surge como uma estratégia promissora para identificar padrões complexos em grandes volumes de dados (Big Data) e apoiar a tomada de decisão clínica. Neste contexto, definiu-se como pergunta de pesquisa “como a inteligência artificial pode apoiar no tratamento farmacológico de pessoas com esquizofrenia?”. Objetivos: O objetivo geral foi identificar evidências sobre usos da inteligência artificial para apoiar no tratamento farmacológico de esquizofrenia e desenvolver e validar modelos de algoritmos de machine learning para a predição da persistência farmacológica na esquizofrenia visando contribuir para políticas de saúde digital na saúde mental do sistema único de saúde. Método: Foram realizadas duas etapas, a saber: (i) revisão sistemática, e; (ii) estudo transversal e retrospectivo, de caráter exploratório e quantitativo, baseado em dados de mundo real (RWD). Para a revisão sistemática, foi realizada busca em seis bases de dados (incluindo MedLine, Embase e Scopus). Foram incluídos estudos clínicos e observacionais que avaliam o impacto de ferramentas de IA na adesão farmacológica de pacientes com esquizofrenia, excluindo modelos animais, protocolos sem resultados, intervenções puramente digitais sem IA ou focadas exclusivamente em tratamentos não farmacológicos. A qualidade metodológica dos estudos selecionados foi avaliada pelos instrumentos RoB 2, ROBINS-I e PROBAST-AI. Para o estudo transversal retrospectivo com RWD, foi utilizada amostra composta por 30.000 observações aleatórias selecionadas de uma coorte nacional construída a partir do relacionamento (linkage) dos bancos de dados administrativos do SUS: Sistema de Informações Ambulatoriais (SIA), Sistema de Informações Hospitalares (SIH) e Sistema de Informações sobre Mortalidade (SIM), abrangendo o período de 2000 a 2015. O pré processamento dos dados incluiu técnicas de One-Hot Encoding para variáveis categóricas e padronização (StandardScaler) para variáveis numéricas. Para capturar o efeito das desigualdades socioeconômicas, foi integrado o Índice de Gini como variável contextual. Foram treinados e avaliados sete algoritmos supervisionados de classificação: Logistic Regression, Decision Tree, Random Forest, Gradient Boosting, Extreme Gradient Boosting (XGBoost), Support Vector Machine (SVM) e K-Nearest Neighbors (KNN). A performance foi avaliada utilizando métricas de acurácia, precisão, recall, F1-score e, principalmente, a Área Sob a Curva ROC (AUC ROC), aplicando técnicas de validação holdout (70:30) e validação cruzada estratificada (10-fold cross validation). Resultados: A revisão sistemática incluiu oito estudos na síntese qualitativa. As ferramentas de IA foram classificadas em: (i) Monitoramento Visual: Aplicativos (AiCure e MedAdhere) elevaram a adesão em até 61% e melhoraram funções cognitivas; (ii) Modelos Preditivos: Algoritmos (REFS™ e XGBoost) demonstraram acurácia entre 0,59 e 0,82 na previsão de riscos de interrupção do tratamento; (iii) Mineração de Texto: O sistema MENTAT® identificou fatores sociais e clínicos de descontinuação em notas médicas não estruturadas; (iv) Suporte à Decisão Prescritiva: Regras de tratamento individualizadas aumentaram em 134% a probabilidade de sucesso clínico ao personalizar a escolha do antipsicótico inicial. A análise descritiva do banco de dados revelou uma amostra majoritariamente feminina (51%) e com idade média de 45,5 anos. Observou-se um declínio acentuado na continuidade terapêutica: a continuidade terapêutica caiu de 84,9% em três meses para 58,4% em nove meses, resultando em uma taxa de persistência de apenas 46,6% ao final de 12 meses e 26,6% após 24 meses. Entre os modelos testados, o Gradient Boosting alcançou a maior acurácia (74,18%) e o melhor AUC ROC em validação cruzada (0,8214). A precisão de 87% para a classe “Não persistente ao tratamento” garante predições com ótima confiabilidade, reduzindo chances de falsos negativos. A análise de importância das variáveis destacou como principais preditores: o tipo de antipsicótico utilizado (sendo Risperidona, Olanzapina e Quetiapina os mais frequentes), o histórico de internações psiquiátricas, a faixa etária do paciente, o tempo de uso prévio do medicamento e o Índice de Gini do município de residência. Discussão: A revisão sistemática realizada identificou que ferramentas de IA, como aplicativos de monitoramento e modelos preditivos (com acurácia de até 97%), elevam significativamente a adesão na esquizofrenia, melhorando sintomas psicóticos e funções cognitivas. Embora reduzam recaídas e hospitalizações, a implementação esbarra em barreiras de infraestrutura e literacia digital. Quando aplicado modelo preditivo com dados brasileiros, os achados confirmam uma clara hierarquia de desempenho, com os três modelos de ensemble (Gradient Boosting, XGBoost e Random Forest) superando os demais algoritmos. O Gradient Boosting alcançou a maior acurácia (74,18%) e o melhor AUC ROC em validação cruzada (0,8214). A inclusão do Índice de Gini revelou-se um diferencial metodológico crucial, evidenciando que pacientes residentes em municípios com melhores indicadores de desenvolvimento humano tendem a apresentar maior persistência ao tratamento, corroborando a influência dos determinantes sociais nos desfechos de saúde mental. Discute-se também a qualidade dos dados dos Sistemas de Informação em Saúde, apontando limitações como a incompletude de variáveis (ex: raça/cor e IMC), o que exige cautela na interpretação e reforça a necessidade de melhoria na coleta de dados no SUS. A alta taxa de descontinuação observada (53,4% em um ano) alerta para a vulnerabilidade dessa população e a necessidade de intervenções proativas. Considerações finais: Esta tese demonstra que é viável e eficaz utilizar técnicas de Machine Learning aplicadas aos dados do SUS para prever a persistência ao tratamento em esquizofrenia. As evidências científicas identificadas demonstram que a IA oferece soluções inovadoras, com impactos positivos em desfechos clínicos e funcionais. O modelo de RWD proposto oferece uma ferramenta potencial para gestores e profissionais de saúde identificarem precocemente pacientes com alto risco de abandono terapêutico, permitindo a implementação de intervenções personalizadas. No entanto, a implementação em larga escala enfrenta desafios como infraestrutura digital limitada, preocupações éticas sobre privacidade e a necessidade de validação externa em coortes mais robustas. Recomenda-se o fomento de estudos que validem externamente esses modelos e a integração de sistemas de apoio à decisão clínica no SUS, sempre pautados por diretrizes éticas que visem reduzir iniquidades e garantir o uso responsável da tecnologia em saúde.