Modelos de regressão regularizada para previsão precisa da progressão do HIV em pacientes em TAR: um estudo comparativo

Por que este estudo importa para pessoas vivendo com HIV

Para muitas pessoas em terapia antirretroviral (TAR), uma questão urgente é como sua saúde pode evoluir ao longo do tempo. Os médicos dispõem de informações abundantes — idade, medidas corporais, exames de sangue e circunstâncias sociais — mas transformar tudo isso em uma previsão confiável sobre quem permanecerá bem e quem pode evoluir para doença grave não é trivial. Este estudo testa ferramentas estatísticas avançadas para ver quais delas melhor prevêem a progressão do HIV, com o objetivo de ajudar os clínicos a concentrar atenção nos pacientes que mais precisam.

Acompanhando pacientes ao longo do tempo

Os pesquisadores analisaram registros de 482 adultos com HIV que iniciaram TAR em um hospital universitário no Estado de Osun, na Nigéria, entre 2020 e 2023. Eles acompanharam quanto tempo levou para os pacientes progredirem para estágios mais graves da doença segundo a Organização Mundial da Saúde (III ou IV) após o início do tratamento. Paralelamente, examinaram um amplo conjunto de informações: idade, sexo, índice de massa corporal, altura e peso, carga viral no sangue, nível de escolaridade, estado civil e ocupação, e local de residência dos pacientes. Como a data exata da infecção por HIV geralmente é desconhecida, o estudo mediu o tempo de sobrevida a partir do primeiro dia de TAR, uma abordagem padrão nesse tipo de pesquisa.

Quando muitos fatores de risco se sobrepõem

O cuidado moderno do HIV gera muitas informações correlacionadas. Por exemplo, peso, altura e índice de massa corporal estão intimamente ligados; se todos forem usados ao mesmo tempo, métodos estatísticos padrão podem ficar instáveis e produzir resultados enganosos. A equipe confirmou esse problema — conhecido como forte dependência entre variáveis — calculando fatores de inflação de variância, que mostraram que algumas medidas estavam fortemente entrelaçadas. Isso pode dificultar identificar quais fatores realmente importam e pode fazer com que modelos que parecem precisos em um grupo de pacientes falhem em outro.

Novas ferramentas para domar dados complexos

Para superar esses problemas, o estudo comparou quatro métodos de regressão “regularizada” — Ridge, LASSO, Adaptive LASSO e Elastic Net. Essas técnicas reduzem deliberadamente a influência de variáveis menos importantes, e algumas podem até eliminá-las completamente, ajudando o modelo a manter estabilidade quando os preditores são altamente correlacionados. Os pesquisadores primeiro testaram o que acontecia ao remover a variável mais redundante (peso) e depois quando deixaram todas as variáveis no modelo. Eles avaliaram cada modelo usando várias métricas: quão bem classificava os pacientes por risco, quão precisas eram suas previsões de probabilidade e quão bem equilibravam ajuste e simplicidade.

O que os modelos revelaram sobre risco

Entre os diferentes métodos, emergiu um quadro consistente sobre quais fatores estavam associados a maior chance de progredir para doença avançada. Idade mais elevada e carga viral maior tendiam a estar ligados a desfechos piores, enquanto ser do sexo masculino, ter maior escolaridade, estar empregado e apresentar um índice de massa corporal mais saudável apontavam para melhor sobrevida. Alguns modelos também destacaram medidas de tamanho corporal e estado civil, embora o papel exato desses fatores dependesse de como as variáveis sobrepostas foram tratadas. Importante: as abordagens regularizadas reduziram substancialmente a instabilidade observada em um modelo de sobrevida padrão, confirmando que podem fornecer estimativas mais claras e confiáveis em dados complexos de HIV.

Escolhendo a ferramenta certa para a tarefa

O estudo mostrou que não existe um único método ideal para todo objetivo. Quando a meta principal era selecionar os poucos preditores mais importantes e manter o modelo fácil de interpretar, o Adaptive LASSO teve melhor desempenho após a remoção da variável mais redundante. Ele forneceu previsões mais precisas e bem calibradas ao mesmo tempo em que destacou fatores de risco-chave. Contudo, quando todas as variáveis — incluindo as altamente correlacionadas — foram mantidas no modelo, o Elastic Net ofereceu as previsões mais fortes no geral e permaneceu estável frente à alta sobreposição. A regressão Ridge também se saiu bem em preservar a acurácia preditiva mantendo todos os preditores. Em termos práticos, esses resultados sugerem que médicos e planejadores de saúde podem usar ferramentas diferentes dependendo se precisam mais de uma lista clara dos determinantes de risco ou da previsão mais poderosa possível da progressão futura do HIV em pacientes em TAR.

Citação: Owoade, G.O., Okewole, D.M., Nziku, C.K. et al. Regularized regression models for accurate prediction of HIV progression in ART patients: a comparative study. Sci Rep 16, 10251 (2026). https://doi.org/10.1038/s41598-026-41445-y

Palavras-chave: progressão do HIV, terapia antirretroviral, previsão de sobrevivência, regressão regularizada, Elastic Net