Persistência das terapias avançadas na artrite psoriásica: coorte retrospectiva em serviço público terciário e limites da modelagem preditiva a partir de dados secundários
Artrite Psoriásica. Fármacos Antirreumáticos Modificadores da Doença Biológicos. Persistência de Medicação. Aprendizado de Máquina. Prontuários Eletrônicos. Medicina de Precisão.
A artrite psoriásica (AP) é uma espondiloartrite inflamatória crônica cujo tratamento avançado inclui DMARDs biológicos (bDMARDs) e sintéticos-alvo (tsDMARDS), porém cerca de 30% dos pacientes não apresentam resposta clínica adequada. Este estudo objetivou caracterizar os padrões de troca terapêutica e a persistência (drug survival) em pacientes com AP acompanhados no Hospital das Clínicas da Universidade Federal de Pernambuco (HC-UFPE), além de avaliar a viabilidade de modelos de aprendizado de máquina (ML) para predição de resposta terapêutica. Trata-se de estudo observacional, longitudinal e retrospectivo com dados de prontuários eletrônicos (2021–2025) processados por extração, transformação e carga (ETL). A coorte reuniu 205 pacientes e 74 variáveis. A persistência foi estimada por Kaplan-Meier e os fatores associados à descontinuação por modelo de Cox. Em subamostra de 99 pacientes, incluindo 25 respondedores, foram avaliados os modelos de regressão logística, Random Forest e XGBoost, com interpretação por SHAP. A coorte foi predominantemente feminina (76,6%), com mediana de idade de 61 anos e alta prevalência de comorbidades (80,5%). Falha terapêutica foi o principal motivo de suspensão (43,6%). Não houve diferença significativa na persistência entre classes farmacológicas, enquanto o número de biológicos previamente utilizados associou-se ao maior risco de descontinuação (HR 1,23; IC95% 1,10–1,38; p<0,001). A regressão logística apresentou melhor desempenho preditivo (ROC-AUC=0,742), embora limitado pelo pequeno número de eventos. Os achados destacam a relevância do histórico terapêutico para a persistência e indicam que a qualidade e a completude dos registros clínicos constituem importante limitação à aplicação de ML na medicina de precisão em AP.