Este estudo foi aprovado pelo Comitê de Ética do Primeiro Hospital Afiliado da Universidade de Medicina Chinesa de Zhejiang (Número de Aprovação 2020-KL-072-01). Devido à natureza retrospectiva do estudo e ao uso de prontuários médicos existentes, o consentimento informado foi dispensado. A confidencialidade dos pacientes foi mantida durante toda a extração e análise dos dados, e somente informações desidentificadas foram utilizadas para fins de pesquisa.
Fonte de dados
Foram revisados retrospectivamente os prontuários médicos de pacientes diagnosticados com FPI-AE tratados pelo Professor Xu no Hospital Provincial de Medicina Tradicional Chinesa de Zhejiang entre setembro de 2019 e dezembro de 2020. Um total de 96 pacientes com FPI-AE foram inicialmente selecionados. Após a aplicação dos critérios predefinidos de inclusão e exclusão, 42 pacientes elegíveis foram incluídos, obtendo-se 84 prescrições completas de medicamentos herbáceos chineses para análise subsequente de mineração de dados. As 84 prescrições foram derivadas de 42 pacientes, sendo cada prescrição um ajuste clínico independente com base na diferenciação de síndrome, refletindo decisões reais de prescrição durante o período de tratamento da FPI-AE. Cada prescrição foi considerada como uma unidade analítica independente, e todas foram derivadas da prática clínica real durante a fase de exacerbação aguda. Critérios Diagnósticos: O diagnóstico de FPI-AE foi estabelecido com base nos critérios diagnósticos para doenças pulmonares intersticiais emitidos pela Sociedade Respiratória Europeia (ERS) e pela Sociedade Torácica Americana (ATS) em 201815, bem como no Consenso Chinês de Especialistas sobre o Diagnóstico e Tratamento da Exacerbação Aguda da Fibrose Pulmonar Idiopática formulado pelo Grupo de Doenças Pulmonares Intersticiais da Sociedade Torácica Chinesa16. Os critérios de inclusão incluíram: atendimento aos critérios diagnósticos para FPI e estar na fase de exacerbação aguda; cumprimento dos critérios diagnósticos para FPI-AE de acordo com a teoria de estadiamento do Professor Xu para o tratamento da FPI, com diferenciação de síndrome da MTC identificada como calor-fleuma obstruindo o pulmão ou fleuma-umidade obstruindo o pulmão; ocorrência de piora respiratória típica ou deterioração aguda dentro de um mês; tomografia computadorizada de alta resolução (TCAR) revelando novas opacidades em vidro fosco ou consolidações sobrepostas às reticulações ou em favo de mel pré-existentes; ausência de infecção pulmonar confirmada. Os critérios de exclusão incluíram pacientes com doenças primárias graves, como distúrbios cardiovasculares e cerebrovasculares, doenças do sistema hematopoiético ou doenças psiquiátricas; pacientes com doença cardíaca pulmonar ou insuficiência respiratória; mulheres grávidas ou lactantes e aquelas com alergia conhecida a qualquer componente do medicamento em estudo; pacientes com baixa adesão (incapacidade de realizar o tratamento conforme exigido ou descontinuação voluntária do tratamento).
Como este foi um estudo observacional retrospectivo baseado em prontuários médicos existentes, a randomização e a cegagem não foram aplicáveis. O delineamento do estudo concentrou-se na identificação de padrões de prescrição, e não na avaliação da eficácia do tratamento. Portanto, desfechos clínicos, como taxa de melhora dos sintomas, duração da hospitalização e pontos terminais pré-definidos, não foram analisados neste estudo de mineração de dados.
Padronização da Nomenclatura da Medicina Herbácea Chinesa
A nomenclatura dos medicamentos fitoterápicos foi padronizada de acordo com a Farmacopeia Chinesa (Edição de 2015)17 e a segunda edição da Materia Medica Chinesa (Edição do Novo Século)18. Cada erva foi convertida em um formato codificado unificado antes da análise estatística. Diferentes sinônimos, formas de processamento e variações regionais de nomenclatura referentes ao mesmo material medicinal foram agrupados em uma única entrada padronizada. O conjunto de dados padronizado final foi revisado independentemente por dois pesquisadores antes de ser importado para a plataforma de análise. Materiais medicinais sem métodos de processamento especificados—como raiz de peônia branca, rizoma de atractilodes branco e Ephedra—foram registrados em sua forma bruta. Para ervas com múltiplos nomes que não afetam sua eficácia ou indicações, foi aplicado um padrão unificado de nomenclatura.
Inserção e verificação da prescrição
Os medicamentos selecionados foram inseridos em uma plataforma informatizada de análise de prescrição e herança da medicina tradicional chinesa para análise subsequente de mineração de dados. Para garantir a completude e a precisão, foi implementado um procedimento padronizado de gestão de dados. Dois pesquisadores independentes realizaram a extração e inserção dos dados separadamente, e as discrepâncias foram revisadas e resolvidas por um clínico sênior com mais de 15 anos de experiência em medicina respiratória e prática de MTC. As informações das prescrições extraídas foram confrontadas com os registros médicos eletrônicos originais. Foram excluídos da análise os registros com componentes de prescrição incompletos, nomes de ervas ambíguos ou informações sobre medicamentos inconsistentes. Os padrões de prescrição de medicamentos foram investigados utilizando as funções de análise de casos clínicos e análise de prescrição da plataforma de mineração de dados.
Fluxo de trabalho de mineração de dados e avaliação dos resultados
O fluxo analítico geral consistiu em quatro etapas sequenciais. Primeiro, dados padronizados de prescrição foram importados para a plataforma computadorizada de mineração de dados em medicina tradicional chinesa. Segundo, realizou-se análise de frequência para identificar ervas comumente utilizadas, considerando a frequência da erva e a frequência acumulada de aplicação como as principais medidas de desfecho. Terceiro, realizou-se análise de regras de associação com base no algoritmo Apriori para identificar combinações principais de ervas, utilizando os valores de suporte e confiança como indicadores quantitativos de avaliação. Por fim, realizou-se análise de agrupamento baseada em entropia para gerar fórmulas potencialmente novas, e as combinações extraídas foram interpretadas de acordo com a teoria da MTC e evidências farmacológicas prévias.
Como este estudo teve como objetivo identificar padrões de prescrição em vez de comparar efeitos de intervenção, estatísticas convencionais de teste de hipóteses não foram aplicáveis. Foram realizadas análises estatísticas descritivas para resumir as frequências das plantas medicinais e as categorias terapêuticas. A robustez das regras de associação foi avaliada utilizando múltiplos indicadores quantitativos, incluindo suporte, confiança e elevação. O suporte refletiu a frequência de ocorrência das combinações de plantas, a confiança representou a probabilidade condicional entre plantas associadas, e valores de elevação superiores a 1 indicaram correlações positivas além da coocorrência aleatória. Esses parâmetros quantitativos foram utilizados para avaliar a força e a confiabilidade dos padrões de prescrição identificados. A intensidade da associação foi avaliada quantitativamente por meio dos valores de suporte, confiança e elevação, enquanto parâmetros de agrupamento baseados em entropia foram utilizados para identificar combinações potenciais de fórmulas.
Análise de frequência de plantas medicinais
A frequência das ervas foi definida como a contagem cumulativa da ocorrência de cada erva em todas as 84 prescrições. A análise de frequência foi realizada utilizando o Gráfico Dinâmico do Excel para classificar as ervas de acordo com o número total de ocorrências, e as ervas com as frequências mais altas foram reunidas em uma lista de alta frequência. Com base nesses resultados de frequência, analisamos ainda mais as propriedades medicinais das ervas, incluindo as quatro naturezas (fria, quente, morna, fresca), os cinco sabores (azedo, amargo, doce, picante, salgado) e a tropismo meridiano (por exemplo, meridianos do pulmão, do baço), com o objetivo de resumir as características gerais das prescrições e os princípios de compatibilidade sob a perspectiva da teoria das propriedades da medicina tradicional chinesa.
Análise das regras de medicamentos prescritos
A análise de regras de associação foi realizada utilizando o algoritmo Apriori no software IBM SPSS Modeler. Cada prescrição foi tratada como uma “transação” e cada erva como um “item.” Combinações de medicamentos de alta frequência e suas relações internas foram exploradas por meio de análise de rede complexa. Os parâmetros centrais foram pré-definidos antes da análise. O limiar mínimo de suporte foi estabelecido em 50 prescrições, garantindo que apenas combinações frequentes de ervas fossem mantidas. Como o conjunto de dados continha 84 prescrições, a frequência absoluta de suporte não poderia exceder 84 ocorrências. O limiar de confiança foi definido em 0,8, o que significa que, quando a erva A aparecia, a probabilidade de coocorrência da erva B excedia 80%, assegurando assim a confiabilidade das regras de associação extraídas. No entanto, como a confiança é assimétrica e pode ser influenciada pela frequência basal da erva consequente, valores de lift foram adicionalmente calculados para determinar se a coocorrência observada excedia as expectativas aleatórias. Um valor de lift maior que 1 indicava uma associação positiva, um valor igual a 1 indicava independência, e um valor menor que 1 indicava uma associação negativa. Regras que atendiam aos critérios de suporte ≥50, confiança ≥0,80 e lift >1 foram considerados significativos e mantidos para interpretação. As regras mantidas foram exportadas e classificadas por valores de suporte, confiança e elevação para resumir sistematicamente as combinações principais de ervas e os padrões potenciais de compatibilidade para AE-IPF.
Análise de fórmula nova
Posteriormente, uma análise de fórmula inovadora foi realizada utilizando o método de agrupamento por entropia do sistema complexo. Essa análise foi conduzida por meio da plataforma computadorizada de mineração de dados em medicina tradicional chinesa. Primeiramente, utilizando a matriz de dados fórmula–erva previamente construída, definimos o grau de correlação em 8 para controlar o número e a coesão das combinações centrais de ervas, e o grau de penalização em 2 para restringir a intensidade da associação, garantindo assim a racionalidade clínica das combinações extraídas. Após a configuração dos parâmetros, a função “Extrair Combinações” do software foi aplicada para identificar automaticamente combinações centrais implícitas e altamente correlacionadas entre as ervas, com base no método de informação mútua aprimorado e no algoritmo de agrupamento por entropia complexa. Em seguida, a plataforma agrupou e integrou essas combinações centrais, gerando, por fim, fórmulas potencialmente novas para o tratamento da AE-IPF. A confiabilidade das combinações centrais extraídas e das fórmulas candidatas foi posteriormente avaliada por meio de três abordagens: avaliação da consistência com os resultados de ervas de alta frequência; comparação com os princípios terapêuticos clássicos da MTC para AE-IPF; e interpretação com base nos mecanismos farmacológicos previamente relatados das ervas representativas. Esses procedimentos foram utilizados como abordagens de validação interna para aprimorar a interpretabilidade clínica dos padrões de prescrição identificados.