Transparência de dados em estudos N-of-1: guia prático

Num estudo N-of-1, transparência de dados significa publicar o suficiente para que outra pessoa confira o resultado, refaça a análise e some aquele caso a outros. Isso inclui o protocolo, os dados brutos de cada período, o método estatístico e a interpretação. Também significa proteger um paciente que, numa doença ultrarrara, pode ser reconhecido só pela descrição clínica. As duas metas puxam para lados opostos, e é por isso que o tema merece atenção: quando um estudo é feito com uma única pessoa, cada detalhe omitido pesa mais, e cada detalhe revelado também. Este guia é para famílias, médicos e fundações. Explica o que pedir, o que verificar e como os dados podem circular com segurança.

Em resumo

• Um ensaio N-of-1 é um estudo cruzado com um único participante e vários períodos de tratamento. Ele gera evidência sobre o benefício para aquela pessoa.
• Quase metade dos estudos médicos N-of-1 revisados entre 2013 e 2022 não publicou dados brutos, o que impede metanálises.
• As diretrizes SPENT (para protocolos) e CENT (para estudos concluídos) dizem o que precisa constar num relato completo.
• Em doenças raras, anonimizar não basta. Consentimento específico, modelos de "visita aos dados" e dados sintéticos reduzem o risco de reidentificação.
• Antes de confiar num resultado, verifique se o estudo tratou a autocorrelação, se informou tamanhos de efeito comparáveis e se mostrou os dados de cada período.

Índice

• O que é um estudo N-of-1 e que evidência ele produz
• O que transparência de dados quer dizer num estudo com uma só pessoa
• O tamanho do problema, em números
• O que um relato transparente precisa conter
• Como compartilhar dados sem expor o paciente
• Como ler um resultado N-of-1 com olhar crítico
• Nossa visão: transparência começa no laboratório
• Quando você precisa de um modelo próprio da doença
• Perguntas frequentes
• Fontes

O que é um estudo N-of-1 e que evidência ele produz

O termo vem da notação estatística: "N" é o número de participantes. Aqui, N = 1. Segundo um guia introdutório sobre ensaios personalizados, o ensaio N-of-1 é um estudo cruzado com um único participante, vários períodos e um comparador ativo. Muitas vezes é randomizado e pode ser cego. Na prática, o paciente alterna entre tratamento e comparador (outro medicamento ou placebo) em blocos de tempo. A ordem é sorteada e os desfechos são medidos em cada bloco.

Isso o diferencia de um relato de caso. No relato de caso, alguém experimenta um tratamento, melhora e o médico descreve a evolução. No N-of-1, a repetição, a randomização e o mascaramento servem justamente para separar o efeito real do acaso, da evolução natural da doença e da expectativa de quem trata. Por isso, em alguns sistemas de classificação, esses ensaios contam como evidência de alto nível para o indivíduo, porque atenuam os vieses típicos de estudos de caso não randomizados.

A ressalva está no próprio nome. A evidência vale para aquela pessoa. Ela só ajuda outros pacientes se os dados puderem ser comparados e combinados, e é aí que a transparência deixa de ser formalidade e vira condição de utilidade.

O que transparência de dados quer dizer num estudo com uma só pessoa

Num ensaio grande, com centenas de participantes, a transparência costuma se resumir a registrar o estudo, publicar o protocolo e disponibilizar dados agregados. No N-of-1, o "agregado" é a série temporal de uma única pessoa. Sem ela, o leitor só recebe a conclusão do autor.

A ciência aberta busca tornar o conhecimento científico disponível e reutilizável, com mais transparência, rigor e reprodutibilidade. Porcino e Vohra apontam, porém, que compartilhar dados de ensaios N-of-1 pode arriscar a identificação de pessoas com doenças raras. Num estudo assim, transparência tem três camadas:

1. Transparência de método: o que foi planejado antes de começar, como a ordem foi sorteada, quem sabia o que o paciente recebia e qual desfecho era o principal.
2. Transparência de dados: os valores medidos em cada período, e não apenas médias ou gráficos estilizados.
3. Transparência de interpretação: que análise foi feita, por que foi escolhida, o que o resultado permite afirmar e o que não permite.

Um relato pode ser exemplar numa camada e falho em outra. É comum ver estudos com método bem descrito que, no fim, mostram só um gráfico resumido.

O tamanho do problema, em números

A literatura revisada mostra que a falta de transparência não é exceção. Três achados resumem a situação:

Os autores da revisão de 2023 chamam a omissão de dados brutos e de tamanhos de efeito comparáveis entre desenhos de algo contrário ao espírito da ciência aberta, porque inviabiliza as metanálises. Para doenças raras, isso tem um custo concreto. Se dez famílias no mundo fizeram estudos N-of-1 com o mesmo medicamento para a mesma variante, a soma dos dez poderia dizer algo que nenhum deles diz sozinho. Sem dados brutos, essa soma não acontece.

O que um relato transparente precisa conter

Existem duas diretrizes complementares. A SPENT orienta protocolos e a CENT orienta estudos concluídos. A primeira é uma extensão da SPIRIT para protocolos, e a segunda, da CONSORT para relatos finais. Na prática, o protocolo deve existir e ser datado antes do primeiro período, e o relato final deve permitir conferir se o plano foi seguido.

Com base nessas diretrizes e nas falhas apontadas pelas revisões, este é o mínimo que um leitor deve encontrar:

No protocolo (antes de começar)

• Pergunta e desfecho principal: o que será medido, com qual instrumento e com que frequência.
• Desenho: número de períodos, duração de cada um, existência de washout (intervalo para o efeito anterior passar) e regra de randomização da ordem.
• Mascaramento: quem fica cego (paciente, médico, avaliador) e como isso é garantido, por exemplo com cápsulas idênticas.
• Plano de análise: o método estatístico, como a autocorrelação será tratada e qual diferença será considerada relevante para o paciente.
• Critérios de interrupção: o que leva a parar o estudo por segurança.
• Plano de dados: onde os dados ficarão, quem poderá acessá-los e em que condições, tudo previsto no consentimento.

No relato final (depois de terminar)

• Desvios do protocolo: períodos encurtados, doses alteradas, medições perdidas e o motivo de cada um.
• Dados brutos por período: em tabela ou como material suplementar, ou então a indicação de onde e como acessá-los.
• Tamanho do efeito comparável: uma medida que outros estudos possam usar, e não só um "melhorou".
• Tratamento da autocorrelação: medições próximas no tempo tendem a se parecer, e a análise precisa levar isso em conta.
• Eventos adversos: todos, inclusive os leves.
• Interpretação com limites: o que o resultado permite decidir para esse paciente e por que não se generaliza automaticamente.

Se você quer um roteiro para conferir item por item, montamos um checklist de relato N-of-1 pensado para pacientes e médicos. Para quem está na fase de planejamento, o texto sobre como desenhar ensaio clínico para doença rara aprofunda as escolhas de desenho.

Como compartilhar dados sem expor o paciente

Em doenças ultrarraras, apagar o nome não protege ninguém. Idade, variante genética, cidade e cronologia dos sintomas podem bastar para que alguém reconheça a criança descrita. Os problemas de confidencialidade se ampliam porque o número pequeno de participantes e a singularidade da condição aumentam o risco de reidentificação mesmo depois da anonimização. A resposta não é esconder os dados. É escolher o grau certo de abertura para cada tipo de dado.

Graus de abertura, do mais aberto ao mais protegido

Os princípios FAIR (dados localizáveis, acessíveis, interoperáveis e reutilizáveis) podem orientar essa gestão. Como lembram Porcino e Vohra, dados diferentes podem exigir graus diferentes de abertura. A equipe da Duchenne Data Platform, um registro conduzido por pacientes, destaca que FAIR não obriga a abrir tudo. No modelo de visita aos dados, o pesquisador consulta registros distribuídos sem mover os dados, e a análise acontece no ambiente protegido do registro.

Os dados sintéticos são outra frente. Um projeto do piloto NAIRR, nos Estados Unidos, trabalha para criar réplicas sintéticas que preservam a privacidade de dados sensíveis e fragmentados de doenças raras.

Consentimento vem antes do compartilhamento

Quando o compartilhamento pode comprometer a confidencialidade, a recomendação é buscar e obter o consentimento do paciente antes de disponibilizar os dados. Para uma família, isso se traduz em perguntas práticas a fazer antes de assinar:

• Quais dados serão compartilhados: só os desfechos ou também o sequenciamento genético?
• Com quem, e por quanto tempo?
• Posso retirar o consentimento depois? O que acontece com os dados já compartilhados?
• Se a análise revelar algo inesperado sobre a saúde do meu filho ou de outros familiares, vou ser avisado?

A última pergunta tem respostas variadas, e explicamos as opções no texto sobre achados incidentais em pesquisa.

O terreno regulatório nos EUA

Nos Estados Unidos, a regra de privacidade em saúde (HIPAA) não se aplica do mesmo jeito a todas as instituições. Uma análise publicada na Harvard Data Science Review observa que a aplicação inconsistente da HIPAA entre universidades, organizações de pesquisa e empresas de biotecnologia cria um cenário confuso para quem quer cumprir padrões éticos altos. Se você mora no Brasil ou em outro país e seus dados vão circular entre instituições americanas, peça por escrito qual regra cobre cada etapa. Se a dúvida for jurídica, leve o termo de consentimento a um advogado especializado em proteção de dados de saúde antes de assinar.

Como ler um resultado N-of-1 com olhar crítico

Mesmo um estudo bem relatado tem limites. As séries temporais costumam ser curtas e os participantes, poucos. A revisão de 2023 aponta que não relatar dados brutos, não usar tamanhos de efeito comparáveis e não modelar a autocorrelação compromete a validade e a metanálise. Ao receber um resultado, seu ou de outra família, faça cinco perguntas:

1. O protocolo é anterior aos dados? Um desfecho escolhido depois de ver os resultados vale muito menos.
2. Houve períodos suficientes? Uma única troca entre tratamento e placebo pode coincidir com uma flutuação natural da doença.
3. A autocorrelação foi tratada? Se o artigo não menciona o assunto, o efeito pode estar superestimado.
4. Os dados de cada período estão visíveis? Um gráfico com todos os pontos diz mais que uma média.
5. A conclusão respeita o N? "Funcionou para este paciente, nestas condições" é uma conclusão honesta. "Funciona para a doença" não é.

Um resultado positivo num N-of-1 não é aprovação regulatória, nem garantia de que o efeito vai durar. Qualquer mudança de tratamento, inclusive manter ou suspender um medicamento testado, deve ser decidida com o médico que acompanha o paciente, de preferência um geneticista ou o especialista que conhece a evolução da doença.

Nossa visão: transparência começa no laboratório

Grande parte da discussão sobre transparência em N-of-1 trata do ensaio clínico, isto é, do paciente tomando o medicamento. Na RareLabs, trabalhamos numa etapa anterior. Criamos modelos da doença a partir das células do próprio paciente, com células-tronco pluripotentes induzidas (iPSCs) e edição genética por CRISPR, e testamos em paralelo milhares de medicamentos já aprovados pela FDA, oligonucleotídeos antisenso (ASOs) sob medida e opções de terapia gênica. Para nós, a mesma lógica de transparência vale nessa fase pré-clínica, talvez com mais urgência, porque é ela que decide o que chega ao paciente.

Na prática, isso quer dizer três coisas. Primeiro, controles. Um efeito numa linhagem celular do paciente só tem sentido quando comparado a um controle adequado, como uma linhagem em que a variante foi corrigida. Por isso geramos linhagens celulares e controles corrigidos junto com o modelo. Segundo, mostrar o que não funcionou. Numa triagem com milhares de compostos, os negativos são a maior parte dos dados e também os mais úteis para a próxima família com a mesma variante. Terceiro, separar sinal de promessa. Um composto que corrige um fenótipo em cultura é um candidato, não um tratamento, e a família e o médico precisam receber essa distinção por escrito.

Também achamos que a transparência só ganha valor quando os dados conversam com outros. Um modelo celular bem documentado e guardado em biobanco para doenças raras pode servir a um ensaio N-of-1 depois e a outros pacientes anos mais tarde. É o mesmo argumento que nos faz defender a colaboração internacional em doenças raras: quando os pacientes estão espalhados pelo mundo, só dados bem relatados atravessam fronteiras.

— John

Quando você precisa de um modelo próprio da doença

Se o diagnóstico é ultrarraro e não há tratamento aprovado, um ensaio N-of-1 precisa de um candidato para testar. Encontrar esse candidato é o nosso trabalho. Começamos com um Estudo de Amenabilidade e Roteiro de Descoberta, que avalia quais abordagens fazem sentido para a variante. Depois desenvolvemos o modelo derivado das células do paciente e conduzimos a triagem de uma biblioteca de cerca de 3.000 medicamentos aprovados pela FDA, o desenho e a validação de ASOs sob medida e, quando faz sentido, a preparação de pacotes de dados para a etapa regulatória (IND).

Famílias, médicos, fundações e parceiros da indústria podem conhecer os programas e falar diretamente com o laboratório pela página da RareLabs sobre medicina genética personalizada.

Perguntas frequentes

O que significa "N-of-1"?

Significa que o estudo tem um único participante: N, o número de participantes, é igual a 1. No ensaio N-of-1, essa pessoa alterna entre tratamento e comparador em vários períodos, geralmente em ordem sorteada. O objetivo é descobrir se o tratamento funciona para ela, e não para uma população.

Um estudo N-of-1 é evidência científica de verdade?

Sim, para o indivíduo estudado. Quando há randomização, repetição e mascaramento, alguns sistemas o classificam como evidência de alto nível para aquela pessoa. Ele não substitui ensaios com muitos pacientes quando o objetivo é aprovar um tratamento para uma doença.

Posso pedir acesso aos dados brutos do meu próprio estudo?

Vale pedir, e o ideal é combinar isso no consentimento, antes de o estudo começar. Pergunte em que formato os dados virão e se incluem as medições de cada período. Se houver dados genéticos, pergunte também como eles serão guardados.

Compartilhar os dados do meu filho pode identificá-lo?

Em doenças ultrarraras, o risco existe mesmo sem nome, porque a combinação de variante, idade e sintomas pode ser única. Por isso, modelos como acesso controlado, visita aos dados e dados sintéticos são preferíveis ao download aberto. Peça que o termo de consentimento diga claramente qual modelo será usado.

Qual a diferença entre SPENT e CENT?

A SPENT orienta o que deve constar no protocolo de um ensaio N-of-1, antes do início. A CENT orienta o relato do estudo concluído. Usadas juntas, permitem conferir se o que foi planejado é o que foi feito.

Fontes

• Personalized (N-of-1) Trials: A Primer
• The use of N-of-1 trials to generate real-world evidence
• N-of-1 Trials, Their Reporting Guidelines, and the Clinical Research Ecosystem (PMC)
• N-of-1 Trials, Their Reporting Guidelines (Harvard Data Science Review)
• Evidence and reporting standards in N-of-1 medical studies
• N-of-1 Randomized Intervention Trials in Health Psychology
• The FAIR journey of a patient-driven registry
• NAIRR Pilot: Making Biomedical Data FAIR on the NAIRR
• Legal Compliance and Good Data Stewardship in Data Sharing

Recomendações

• 7 blocos essenciais no relato N-of-1: checklist para pacientes e médicos
• Por que doenças raras tornam o modelo N=1 necessário
• O que é triagem n-of-1 e como ela funciona na prática
• Seleção de dose n-of-1: como definir concentrações em triagens ex vivo personalizadas