Desenvolvimento e validação de um modelo de aprendizado de máquina para dosagem individualizada de meropenem em pacientes em TRRC

Por que isso importa para pacientes em terapia intensiva

Quando pessoas desenvolvem infecções com risco de morte na UTI, os médicos frequentemente dependem de antibióticos potentes e de máquinas de suporte renal para mantê‑las vivas. Ainda assim, determinar a dose correta de antibiótico para cada paciente em um tratamento contínuo semelhante à diálise é surpreendentemente difícil. Este estudo mostra como uma ferramenta baseada em aprendizado de máquina pode ajudar os médicos a escolher doses mais seguras e eficazes do antibiótico de amplo espectro meropenem para alguns dos pacientes mais graves do hospital.

O dilema da dosagem em rins frágeis

A sepse, uma infecção sistêmica grave, frequentemente danifica os rins a ponto de os pacientes precisarem de terapia renal substitutiva contínua (TRRC) — uma forma de diálise lenta e contínua. O meropenem é comumente usado para tratar essas infecções, mas seu comportamento no organismo muda dramaticamente na doença crítica. Deslocamentos de fluidos, falência de órgãos e a própria máquina de TRRC alteram a rapidez com que o medicamento é eliminado. Pouco meropenem aumenta o risco de falha do tratamento e resistência bacteriana; excesso eleva a chance de efeitos adversos, como toxicidade cerebral e renal. Fórmulas tradicionais de dosagem, baseadas em pacientes médios, frequentemente erram o alvo para indivíduos cuja fisiologia está longe do normal.

Construindo uma população virtual de terapia intensiva

Como grandes estudos farmacológicos de alta qualidade em pacientes tão instáveis são raros, os pesquisadores primeiro criaram uma população virtual de 48.000 pacientes simulados em TRRC usando um modelo farmacocinético existente do meropenem. Para cada paciente simulado, variaram idade, peso corporal, função renal, parâmetros da TRRC, dose de meropenem, intervalo de dosagem, tempo de infusão e a virulência das bactérias infectantes (resumida como a concentração inibitória mínima, ou CIM). Em seguida, calcularam se cada plano de dosagem mantinha os níveis de meropenem suficientemente altos no sangue durante todo o período de dosagem — tanto em um limiar padrão (100% do tempo acima da CIM) quanto em um limiar muito rigoroso (100% acima de quatro vezes a CIM), que se acredita proteger melhor contra falha terapêutica e resistência.

Treinando máquinas para prever o sucesso

Usando esses pacientes virtuais, a equipe treinou vários tipos de modelos de aprendizado de máquina para responder a uma pergunta simples de sim ou não: um determinado paciente, com uma configuração específica de TRRC e plano de dosagem, atingirá o alvo de exposição desejado ao fármaco? Algoritmos como florestas aleatórias, gradient boosting e árvores de decisão aprenderam padrões que ligam características do paciente, depuração pela TRRC, tamanho da dose, intervalo de dosagem, duração da infusão e CIM à probabilidade de sucesso. Nos dados de teste simulados, a maioria dos modelos foi altamente precisa, com muitos classificando corretamente os resultados em mais de 95% dos casos. Para abrir a “caixa preta” do aprendizado de máquina, os pesquisadores usaram SHAP (Shapley Additive Explanations) para ranquear quais entradas eram mais importantes. A CIM bacteriana foi o fator isolado mais influente, seguida da frequência e do tamanho das doses de meropenem e da eficiência com que o paciente e a máquina de TRRC eliminavam o fármaco.

Testes no mundo real e uma ferramenta à beira do leito

O passo seguinte foi verificar como esses modelos se comportavam em pacientes reais. Os autores utilizaram dados de 78 indivíduos criticamente enfermos em diferentes sistemas de TRRC, compilados a partir de nove estudos publicados. Para cada paciente, um modelo populacional tradicional reconstruiu curvas detalhadas de concentração do fármaco, que serviram como padrão de referência para saber se a dosagem atingia os alvos de exposição rigorosos em uma faixa de valores plausíveis de CIM. Quando os modelos de aprendizado de máquina foram solicitados a prever os mesmos desfechos usando apenas características do paciente, parâmetros da TRRC e informações de dosagem, eles, em geral, superaram a abordagem farmacocinética convencional. Em particular, um modelo de gradient boosting alcançou maior discriminação para ambos os alvos de exposição do que o modelo estabelecido. Esse modelo de melhor desempenho foi então incorporado a uma aplicação web simples, chamada “MeroDose”, construída com o framework Streamlit.

De dados complexos a escolhas mais claras

À beira do leito, a ferramenta MeroDose permite que os clínicos insiram as informações básicas do paciente, função renal, parâmetros da TRRC, dose e esquema propostos de meropenem e uma CIM assumida. O sistema estima instantaneamente a chance de que esse esquema mantenha os níveis do fármaco suficientemente altos durante todo o intervalo de dosagem, tanto para os alvos padrão quanto para os muito rígidos. Embora não substitua o monitoramento de níveis sanguíneos nem o julgamento clínico, oferece um ponto de partida específico para o paciente em vez de uma dose única para todos. O estudo conclui que esse sistema de apoio baseado em aprendizado de máquina pode melhorar de forma significativa a escolha das doses iniciais de meropenem para pacientes em TRRC, e recomenda ensaios prospectivos para confirmar se tais ferramentas se traduzem em melhores desfechos e menos infecções resistentes.

Citação: Li, D., Qiao, Z., Xiong, X. et al. Development and validation of a machine learning model for individualised meropenem dosing in CRRT patients. Sci Rep 16, 12398 (2026). https://doi.org/10.1038/s41598-026-43012-x

Palavras-chave: sepse, terapia renal substitutiva contínua, dosagem de meropenem, aprendizado de máquina na medicina, apoio à decisão clínica