O Transtorno do Espectro Autista (TEA) engloba uma gama altamente heterogênea de condições do neurodesenvolvimento, caracterizadas fundamentalmente por prejuízos na comunicação social, na interação interpessoal e pela presença de padrões de comportamento restritos e repetitivos. No âmbito fisiopatológico, disfunções na sinalização mediada pelo ácido gama-aminobútrico (GABA), o principal neurotransmissor inibitório do sistema nervoso central, têm sido apontadas como um dos mecanismos centrais da etiologia do transtorno. Especificamente, a polaridade excitatória inicial do GABA — decorrente de altas concentrações intracelulares de cloreto na fase embrionária e no início do desenvolvimento pós-natal — falha em realizar a transição homeostática para uma ação inibitória hiperpolarizante em circuitos autistas. Esse atraso ou falha no mecanismo de switch do GABA correlaciona-se com estados de hiperexcitabilidade cortical. Diante disso, o uso da bumetanida, um inibidor seletivo do cotransportador de cloreto de sódio e potássio tipo 1 (NKCC1), emergiu como uma abordagem farmacológica promissora ao reduzir os níveis de cloreto intracelular e restabelecer a inibição GABAérgica adequada. (RABIEI et al., 2026).
A transição das evidências neurobiológicas para os ensaios clínicos com bumetanida evidenciou um cenário complexo e paradoxal na medicina translacional. Inicialmente, nove ensaios clínicos independentes de Fase II demonstraram melhorias estatisticamente significativas na sintomatologia nuclear do autismo. Contudo, dois ensaios clínicos multinacionais de Fase 3 subsequentes, que recrutaram mais de 400 crianças e adolescentes distribuídos em aproximadamente 50 centros ao redor do mundo, falharam em demonstrar superioridade terapêutica significativa da bumetanida quando comparada ao placebo. Esse desfecho negativo gerou ceticismo na comunidade científica e levou à interrupção precoce dos testes. Todavia, análises críticas sugerem que o aparente fracasso estatístico global não decorreu da ineficácia intrínseca do fármaco, mas sim da expressiva heterogeneidade fenotípica e clínica da população recrutada, a qual diluiu os efeitos terapêuticos específicos que ocorrem em subgrupos restritos de pacientes. (RABIEI et al., 2026).
Com o intuito de mitigar o viés gerado pela heterogeneidade populacional e resgatar o potencial terapêutico da substância, a aplicação de ferramentas de inteligência artificial voltadas à medicina de precisão tem se mostrado indispensável. A reanálise dos dados brutos dos ensaios bi-centros de Fase 3 por meio do algoritmo supervisionado de aprendizado de máquina denominado Q-Finder permitiu identificar subpopulações específicas que respondem de maneira robusta ao tratamento. Diferente de análises estatísticas pós-hoc convencionais, o Q-Finder opera gerando regras de decisão inteligíveis a partir de parâmetros clínicos basais (baseline), sem a necessidade de reduzir artificialmente as dimensões dos dados. Ao aplicar esse algoritmo sob os desfechos primários estipulados nos ensaios originais — como as escalas Childhood Autism Rating Scale (CARS) e Social Responsiveness Scale (SRS) —, os investigadores conseguiram isolar subgrupos de pacientes cujo benefício clínico superou massivamente os efeitos do placebo. (RABIEI et al., 2026).
Os resultados gerados pela modelagem computacional revelaram regras preditivas de resposta baseadas em fenótipos clínicos específicos mensurados antes do início do tratamento. No primeiro ensaio de Fase 3 (focado na faixa etária de 2 a 6 anos), o algoritmo identificou um subgrupo de respondedores robustos caracterizado por escores basais moderados na subescala de comunicação do ADI-R ($\le 17$) associados a níveis elevados de comportamentos restritos e repetitivos na escala ABC ($\ge 17$). Nesse nicho biológico, a taxa de sucesso terapêutico foi significativamente superior à do grupo placebo. Similarmente, no segundo ensaio de Fase 3 (envolvendo a faixa etária de 7 a 17 anos), os pacientes respondedores foram estratificados por escores moderados na severidade geral medida pela CARS ($< 41$) combinados com escores específicos no domínio de comportamento e interesses no ADI-R ($\ge 4$). Esses achados reforçam a hipótese de que a eficácia da bumetanida está atada a limiares específicos de gravidade sintomática e perfis neurocomportamentais particulares. (RABIEI et al., 2026).
Em suma, a trajetória dos ensaios clínicos da bumetanida ilustra a necessidade urgente de abandonar abordagens terapêuticas generalistas do tipo “one-size-fits-all” no manejo do Transtorno do Espectro Autista. A incorporação de algoritmos de aprendizado de máquina para a mineração de dados clínicos basais prova que intervenções farmacológicas consideradas ineficazes em análises populacionais amplas podem ser altamente eficazes quando direcionadas a subpopulações fenotipicamente homogêneas. A validação dessas subpopulações de respondedores estabelece um novo paradigma para o desenho de futuros ensaios clínicos estratificados, consolidando a inteligência artificial como um vetor fundamental para a efetivação da psiquiatria de precisão e para a oferta de terapêuticas personalizadas e seguras. (RABIEI et al., 2026).
Referência (Normas ABNT)
RABIEI, Hamed; BEGNIS, Marilyn; LEMONNIER, Eric; BEN-ARI, Yehezkel. Treating autism with Bumetanide: Identification of responders using Q-Finder machine learning algorithm. Translational Psychiatry, v. 16, n. 66, p. 1-9, 2026. Disponível em: https://doi.org/10.1038/s41398-026-03848-3. Acesso em: 24 maio 2026.
