Um novo grande estudo mostram resultados que as características clínicas simples no diagnóstico de diabetes – como índice de massa corporal (IMC), idade e função renal – melhor prognóstico dos resultados clínicos e são mais úteis na estratificação do tratamento dos pacientes do que a classificação do diabetes em subgrupos. 

Essencialmente, a pesquisa atual foi uma resposta direta a um estudo escandinavo de Ahlqvist e colegas,relatado no ano passado pelo Medscape Medical News , que definiu cinco subgrupos de diabetes com diferentes perfis fisiológicos e genéticos (um era diabetes tipo 1 e os outros quatro estavam relacionados para diabetes tipo 2).

Este último trabalho testa a utilidade clínica da abordagem do subgrupo, reproduzindo a análise e comparando os resultados com uma alternativa baseada em características clínicas simples.

O estudo foi publicado on-line em 29 de abril no Lancet Diabetes and Endocrinology por John M. Dennis, PhD, e colegas da Universidade de Exeter, no Reino Unido.

O autor sênior Andrew Hattersley, MD, professor de medicina molecular na Universidade de Exeter, disse ao Medscape Medical News que a motivação para este último trabalho veio do fato de que “sabemos … o diabetes é heterogêneo, então gostaríamos de individualizar cuidado ao mapear o tratamento para o paciente, mas como é mais fácil fazê-lo? “

“Nós dividimos o diabetes em subgrupos, ou usamos características clínicas para melhor prever a escolha do tratamento?

“Em modelos, descobrimos que usar características clínicas simples, em comparação com a estratégia do subgrupo, é uma melhor maneira de otimizar a escolha da terapia e prever os resultados, incluindo insuficiência renal e deterioração glicêmica”, disse Hattersley, destacando os principais achados.

Ele acrescentou que é sabido que a idade no momento do diagnóstico prediz a deterioração glicêmica e a taxa de filtração glomerular estimada (eGFR) prediz a função renal e, como tal, os subgrupos são desnecessários.

Em um editorial de acompanhamento , Hiddo Heerspink, PhD, farmacologista clínico da Universidade de Groningen, Holanda, vê o mérito nessa abordagem. “O estudo acrescenta aos dados emergentes que ilustram que as características dos pacientes medidas de forma rotineira podem ser usadas para explicar, pelo menos em parte, a variação no risco de complicações diabéticas e resposta ao tratamento entre pacientes individuais”, escreve ele.

E comentando sobre as novas descobertas, Emily Burns, PhD, chefe de comunicações de pesquisa da Diabetes UK, disse: “O diabetes tipo 2 é uma condição complexa e precisamos ir além de uma abordagem única para o tratamento”.

“Esta pesquisa sugere que os profissionais de saúde podem usar medições simples prontamente disponíveis para eles agora, incluindo IMC e idade de diagnóstico, para determinar os melhores tratamentos para cada pessoa.”

Subgrupos de Diabetes ou Características Clínicas – Quão úteis são eles?

Hattersley disse que a chave para a adoção de qualquer ferramenta preditiva é o quão útil é na prática real.

Em seu trabalho publicado há um ano, a equipe sueca identificou cinco grupos de pacientes com diabetes. Estas dividem-se em três formas graves e duas formas leves de doença: uma correspondendo ao diabetes tipo 1  e as quatro restantes representando subtipos de diabetes tipo 2 ( diabetes grave resistente à insulina, diabetes grave deficiente em insulina, diabetes leve relacionada à obesidade e idade moderada). diabetes relacionado).

“Queríamos descobrir a utilidade dos subgrupos na previsão dos resultados dos pacientes ( progressão da HbA1c  e risco de insuficiência renal) e comparar esses achados com o uso de características clínicas simples [idade, IMC e TFGe]”, disse Hattersley.

Os pesquisadores também analisaram se um modelo usando características clínicas simples teve melhor desempenho do que os subgrupos na previsão da resposta ao tratamento.

A análise de grupos escandinavos foi repetida na coorte ADOPT e as diferenças na progressão da doença pelos grupos foram avaliadas. Estes últimos foram então contrastados com a estratificação utilizando características clínicas contínuas simples, compostas por idade no momento do diagnóstico para progressão glicêmica e função renal basal para progressão renal.

“Medidas clínicas mais simples foram tão ou mais úteis do que os clusters para estratificar cada resultado avaliado”, explicou Hattersley.

Quando olhamos para a deterioração glicêmica, isso diferia entre os subgrupos, mas quando comparamos essa abordagem com o uso de características clínicas simples, notadamente a idade no momento do diagnóstico, eles se saíram tão bem.”

Previsão de Insuficiência Renal  usando melhor o eGFR basal

Um ponto importante de interesse na análise de grupos escandinavos foi o fato de que subgrupo resistente à insulina apresentava rápida deterioração da função renal. 

Hattersley explicou que isso, em parte, refletia uma falha na remoção de pacientes com insuficiência renal pré-existente.

Então, essencialmente, os médicos já têm uma boa medida da função renal na clínica – o nível de creatinina  do paciente – e eles não precisam de uma abordagem de subgrupo para prever a insuficiência renal, ele argumenta.

“Precisamos continuar usando essa medida; não comece a pensar que há uma abordagem de subgrupo mágico. Ao usar categorias em vez de números na previsão de resultados, você corre o risco de perder muita informação e poder de prever.”

Características clínicas versus subgrupos para prever a resposta terapêutica

A seleção da terapia de redução de glicose foi então avaliada usando a estratégia do subgrupo e comparada com uma abordagem combinando características clínicas simples na coorte RECORD. 

“Os subgrupos de cluster sugerem que pacientes com diabetes leve relacionados à idade obteriam melhor controle da glicose em uma sulfoniluréia do que metformina ou tiazolidinedionas”, observou Hattersley.

“Mas os pacientes no cluster de resistência à insulina grave devem estar em tiazolidinedionas. Esta informação baseada em cluster sugere subgrupos podem ser usados ​​na seleção do tratamento.”

Mas o modelo do grupo britânico encontrou características clínicas simples que melhor previram o controle glicêmico, em vez de uma abordagem de subgrupo.

“Acreditamos que o futuro para otimizar a terapia está no desenvolvimento de modelos baseados em características clínicas”, enfatizou Hattersley.

“Esses modelos usarão dados dos registros clínicos dos pacientes para informar o resultado clínico provável e, então, sugerir a melhor escolha de tratamento”.

Mas HbA1c  e eGFR são apenas resultados substitutos …

Heerspink, no entanto, aponta em seu editorial que é necessário um trabalho adicional para verificar se a resposta ao tratamento em termos de desfechos renais ou cardiovasculares varia entre clusters ou variáveis ​​clínicas.

“Os autores do Reino Unido analisaram as respostas glicêmicas e a progressão para uma doença renal crônica de início recente mas essas respostas são desfechos substitutos”.

“Mais estudos são necessários para avaliar se as variáveis ​​clínicas também superarão uma abordagem baseada em cluster quando os desfechos clínicos renais ou cardiovasculares forem analisados.”

O estudo foi apoiado pelo Conselho de Pesquisa Médica do Reino Unido. Hattersley não relatou relações financeiras relevantes. Heerspink relatou ser membro do comitê de direção do Estudo da Nefropatia Diabética  com Atrasentan (SONAR). Foi consultor da AbbVie, da Astellas, da AstraZeneca, da Boehringer Ingelheim, da Fresenius, da Gilead, da Janssen, da Merck, da Mundi Pharma e da Mitsubishi Tanabe.

Lancet Diabetes Endocrinol. Publicado online em 29 de abril de 2019. Texto completo , Editorial

Fonte: Medscape – Por: Becky McCall , 02 de maio de 2019