O diabetes mellitus tipo 2 (DT2) é uma patologia globalmente prevalente, afetando aproximadamente um em cada dez adultos. Apesar do desenvolvimento de novas classes farmacológicas, como os agonistas do receptor de GLP-1 e os inibidores de SGLT2, a proporção de pacientes que atingem o controle glicêmico ideal permanece abaixo do esperado. Conforme discutido por Xia e Li (2023), essa limitação decorre da vasta heterogeneidade da doença, que desafia a estratégia convencional de “tamanho único”. A medicina de precisão surge, portanto, como uma abordagem imperativa, visando otimizar a prevenção, o diagnóstico e o tratamento através da integração de dados genéticos, epigenéticos e biomarcadores moleculares, permitindo uma estratificação mais refinada do que a simples classificação dicotômica entre tipo 1 e tipo 2.
Estratificação de Subtipos e a Revolução dos Agrupamentos (Clustering)
Um dos avanços mais significativos na medicina de precisão para o DT2 é a transição de uma visão monolítica da doença para a identificação de subtipos fisiopatológicos distintos. Xia e Li (2023) destacam que estudos de clustering baseados em variáveis clínicas — como idade no diagnóstico, IMC, HbA1c e índices de função das células beta (HOMA2-B) e sensibilidade à insulina (HOMA2-S) — permitiram a divisão dos pacientes em subgrupos como o Diabetes Insulinodeficiente Grave (SIDD) e o Diabetes Insulinorresistente Grave (SIRD). Esta classificação é crucial, pois pacientes no grupo SIRD apresentam um risco significativamente maior de doença renal diabética, enquanto o grupo SIDD possui maior predisposição à retinopatia. A capacidade de prever complicações específicas logo no diagnóstico permite intervenções preventivas direcionadas, alterando o prognóstico a longo prazo.
Genômica, Epigenética e a Resposta Terapêutica
A arquitetura genética do DT2 é predominantemente poligênica, e o uso de Escores de Risco Poligênico (PRS) tem se mostrado promissor não apenas para prever a suscetibilidade à doença, mas também para entender a variabilidade na resposta aos medicamentos. Além da genética clássica, modificações epigenéticas, como a metilação do DNA, desempenham um papel vital na interação entre o ambiente (dieta e sedentarismo) e o genoma. Xia e Li (2023) salientam que a farmacogenômica tem identificado variantes que explicam por que certos pacientes apresentam uma resposta robusta à metformina ou às sulfonilureias, enquanto outros sofrem com efeitos adversos ou falha terapêutica. A integração desses dados genômicos com a inteligência artificial promete criar modelos preditivos que auxiliem os clínicos na escolha da droga com maior probabilidade de sucesso para cada perfil biológico individual.
Desafios e o Futuro da Inteligência Artificial
Embora o potencial da medicina de precisão seja vasto, sua implementação em larga escala enfrenta obstáculos significativos, incluindo o alto custo das análises ômicas e a necessidade de algoritmos de inteligência artificial mais robustos e validados. De acordo com Xia e Li (2023), o futuro da gestão do DT2 reside na análise de “Big Data”, onde dispositivos de monitoramento contínuo da glicose e sensores vestíveis fornecerão dados em tempo real que, processados por aprendizado de máquina, permitirão ajustes terapêuticos dinâmicos. A meta final é a transição de um sistema de saúde reativo para um modelo proativo e personalizado, onde a biologia única de cada paciente dite a trajetória do cuidado.
Referência (ABNT):
XIA, Mingfeng; LI, Xiaoying. Updates of precision medicine in type 2 diabetes. Cambridge Prisms: Precision Medicine, v. 1, n. e24, p. 1-7, 2023. Disponível em: https://doi.org/10.1017/pcm.2023.12.