Entre nos nossos canais do Telegram e WhatsApp para notícias em primeira mão.
Telegram: [link do Telegram] WhatsApp: [link do WhatsApp]
Uma ferramenta baseada em inteligência artificial pode ser capaz de prever o risco de desenvolvimento de doença enxerto-contra-hospedeiro crônica (GVHD) e morte relacionada ao transplante após transplante de células-tronco ou medula óssea. Ao combinar biomarcadores com fatores clínicos, a ferramenta de IA previu os resultados de forma mais precisa do que os dados clínicos isoladamente, especialmente em relação à mortalidade relacionada ao transplante. A ferramenta classificou os pacientes em grupos de baixo e alto risco, com diferenças claras nos resultados até 18 meses após o transplante, e foi validada em uma coorte independente de pacientes. O modelo de aprendizado de máquina está disponível como um aplicativo gratuito na web para apoiar a avaliação de riscos e pesquisas.
Os transplantes de células-tronco e medula óssea são procedimentos que substituem células formadoras de sangue doentes, danificadas ou destruídas por tecido saudável. Eles são um tratamento comum para leucemia, linfoma e distúrbios sanguíneos. Esses procedimentos envolvem a coleta de células de um doador (alogênico) ou o uso das próprias células do paciente (autólogo). Para muitas pessoas, o transplante pode ser uma medida de salvamento. No entanto, a recuperação não termina após a alta hospitalar. Complicações potenciais podem resultar em mortalidade relacionada ao tratamento, geralmente impulsionada pelo GVHD. Embora os avanços nos cuidados com transplantes tenham melhorado as taxas de sobrevivência, o GVHD é a principal causa de morbidade e mortalidade tardias após um transplante de células-tronco alogênico.
É difícil prever quem experimentará GVHD e quem não. No entanto, evidências sugerem que entre metade a um terço de todas as pessoas que recebem um transplante alogênico desenvolvem alguns sintomas de GVHD. Pode ocorrer logo após o transplante, conhecido como GVHD agudo, ou pode surgir meses após o transplante, chamado de GVHD crônico (cGVHD). Prevenir o GVHD pode ser desafiador, pois isso normalmente envolve equilibrar a imunossupressão para prevenir o GVHD sem aumentar o risco de infecção e prevenir reações adversas a esses tratamentos. Um novo estudo descreve um modelo de aprendizado de máquina que estima o risco de um paciente desenvolver cGVHD e morrer de causas relacionadas ao transplante antes que os sintomas apareçam.
Para desenvolver a ferramenta de IA, conhecida como BIOPREVENT, uma equipe colaborativa analisou dados de 1.310 receptores de transplantes inscritos em quatro grandes estudos multicêntricos. A equipe focou em amostras de sangue coletadas de 90 a 100 dias após o transplante. Sophie Paczesny, MD, PhD, autora líder do estudo, declarou que essa janela é um período crítico em que os pacientes podem se sentir bem, mas a atividade imunológica subjacente pode já estar preparando o cenário para complicações.
Os resultados do estudo mostraram que a combinação de dados de biomarcadores com informações clínicas melhorou significativamente a capacidade de prever a mortalidade relacionada ao transplante em comparação com o uso de dados clínicos isoladamente. Importante, a equipe validou o modelo de IA em um grupo independente de receptores de transplante, confirmando que a ferramenta poderia prever o risco de forma confiável. Além disso, o BIOPREVENT categorizou com sucesso os indivíduos em grupos de baixo e alto risco, demonstrando diferenças claras nos resultados até 18 meses após o transplante. Os achados sugerem que o cGVHD e a morte relacionada ao transplante podem ser impulsionados por processos biológicos distintos.
Para ajudar a incentivar um uso mais amplo, os pesquisadores disponibilizaram o BIOPREVENT gratuitamente como um aplicativo baseado na web. Os clínicos podem inserir as características clínicas do paciente e os valores dos biomarcadores para receber estimativas de risco personalizadas ao longo do tempo. O próximo passo envolverá ensaios clínicos para determinar a eficácia dos sinais de risco precoce na melhora dos desfechos a longo prazo. Essa abordagem pode representar um passo promissor para a redução de uma das complicações mais sérias da medicina de transplantes.
