Modelos clínicos e genéticos de predição da resposta ao tratamento com risperidona em uma coorte brasileira de pacientes no primeiro episódio psicótico: uma abordagem de aprendizado de máquina
Data
2022-12-13
Autores
Costa, Giovany Oliveira Homem da 
Orientadores
Belangero, Sintia Iole Nogueira
Tipo
Dissertação de mestrado
Título da Revista
ISSN da Revista
Título de Volume
Resumo
Objetivo: Este estudo teve como objetivo determinar o desempenho de modelos clínicos, genéticos e híbridos para predizer a resposta de pacientes ao antipsicótico risperidona após o primeiro episódio psicótico (PEP). Métodos: Foram avaliados 141 pacientes em PEP sem uso prévio de antipsicóticos, submetidos a coleta de sangue e avaliação clínica antes e após dez semanas de tratamento com risperidona. A resposta foi definida como uma redução em 50% da Positive and Negative Syndrome Scale. Foram realizadas análises supervisionadas com o pacote mlr do Rstudio e o método de reamostragem nested 5-fold cross-validation foi aplicado junto com os seguintes algoritmos: 1) support vector machine; 2) k-nearest neighbors; 3) random forests. Para os modelos clínicos, foram utilizadas 10 variáveis preditoras (escores das escalas Clinical Global Impression e Global Assessment of Functioning, idade, sexo, renda familiar, uso de cigarro, uso de cannabis, histórico de migração de cidade, histórico de psicose na família e duração de psicose não tratada). No modelo genético, foram utilizados os genótipos de variantes de nucleotídeo único que alteram a expressão e/ou estão presentes em 62 genes candidatos (relacionados a farmacocinética/farmacodinâmica da risperidona ou diferencialmente expressos após tratamento). Para a análise híbrida, foram utilizados todos os preditores clínicos e genéticos. Adicionalmente, foram construídos modelos híbridos com preditores filtrados pela sua importância para o modelo. Resultados: As análises mostraram que os dados clínicos têm maior poder preditivo (acurácia balanceada de 63,3% [intervalo de confiança: 0,46–0,69] - algoritmo support vector machine) quando comparados aos modelos estritamente genéticos (acurácia balanceada de 58,5% [intervalo de confiança: 0,41–0,76]) - algoritmo k-nearest neighbors) e que o melhor desempenho foi obtido pela análise híbrida (genético-clínica) com variáveis filtradas pela importância (duração da psicose não tratada, Clinical Global Impression, idade, uso de cannabis e 406 variantes genéticas), que obteve uma acurácia balanceada de 72,9% (intervalo de confiança: 0,62–0,84), utilizando o algoritmo random forests. Conclusão: Este estudo mostrou que as variáveis clínicas são mais eficazes em predizer a resposta ao tratamento com risperidona em comparação com o desempenho de variantes genéticas, mas não explicam isoladamente esse fenótipo secundário, fenômeno reforçado pelo nosso modelo híbrido filtrado pela importância das variáveis, o qual revelou um aumento da acurácia do modelo com a combinação desses preditores. As análises identificaram que o conjunto de variáveis psiquiátricas observadas no momento do PEP, fatores clínicos e de risco para doenças mentais e variantes genéticas envolvidas na farmacogenética do antipsicótico são os principais contribuidores na predição da resposta ao tratamento com risperidona.