Modelos matemáticos para previsão de resposta ao tratamento com hormônio de crescimento: [revisão] / Mathematical models for predicting growth responses to growth hormone replacement therapy: [review]

RESUMO

Modelos preditivos de crescimento são algoritmos derivados de análises de regressão linear múltipla contendo variáveis que influenciam o crescimento em resposta ao tratamento com GH em determinado grupo de indivíduos durante determinado período. A partir do conhecimento da importância relativa de cada variável, são geradas fórmulas matemáticas que permitem obter uma medida objetiva do potencial de crescimento de cada indivíduo em resposta ao tratamento com GH em diferentes situações. Tais algoritmos podem, portanto, ser utilizados como ferramentas para a decisão fundamentada em evidência das estratégias de tratamento com GH a serem utilizadas em diferentes crianças com baixa estatura, a fim de se obter o máximo de custo-efetividade com a menor dose cumulativa possível. Já foram desenvolvidos diversos modelos de previsão de resposta ao tratamento com GH em diferentes causas de baixa estatura, porém estes ainda apresentam baixa aplicabilidade clínica por causa do baixo poder preditivo e da baixa precisão da previsão, o que tem gerado crescente interesse pela incorporação de variáveis adicionais, como marcadores bioquímicos e genéticos que possam melhorar a acurácia da previsão e, assim, permitir que, no futuro, o tratamento com GH possa ser individualizado conforme as necessidades específicas de cada criança.

ABSTRACT

Growth prediction models are algorithms derived from multiple regression analyses including variables that influence growth responses to GH therapy in a defined group of subjects over a defined period of time. Mathematical equations can be derived from the knowledge acquired with the relative importance of each variable, which provide objective measurements of each subject's growth potential in response to GH therapy on different situations. Therefore, these equations can be used as tools to improve evidence-based decision regarding to growth promoting treatment strategies to be used in each child, optimizing cost-effectiveness with the lowest cumulative GH dose. Several models have already been developed to predict growth responses to GH for different short stature causes, but they still have low clinical usefulness, due to their low predictive power and low prevision accuracy. This has lead to a growing interest in the addition of new variables, such as biochemical or genetic markers, which could improve prevision accuracy and then allow, in the future, GH therapy individualization according to the specific needs of each child.