IA em cirurgia e robótica

Modelos de aprendizado de máquina são confiáveis para prever recidiva após cirurgia de adenoma hipofisário?

Resposta

A predição de recidiva após ressecção cirúrgica de adenoma hipofisário é um passo importante para orientar decisões clínicas, como a intensidade do seguimento e a personalização do tratamento. Modelos baseados em aprendizado de máquina (ML) têm sido propostos para melhorar essa predição, e esta revisão sistemática com meta-análise avaliou o desempenho desses modelos.

Foram incluídos seis estudos que empregaram 12 algoritmos de ML diferentes. A meta-análise mostrou sensibilidade agrupada de 0,87 (IC 95%: 0,78-0,92), especificidade de 0,86 (IC 95%: 0,67-0,95), razão de verossimilhança diagnóstica positiva de 6,32 (IC 95%: 2,46-16,26) e negativa de 0,16 (IC 95%: 0,1-0,25). A odds ratio diagnóstica foi de 40,52 (IC 95%: 13-126,27) e a AUC agrupada de 0,89 (IC 95%: 0,86-0,92), indicando alta performance geral.

Na comparação entre algoritmos de regressão logística (LR) e não-LR, os baseados em LR apresentaram AUC e sensibilidade numericamente maiores, porém sem significância estatística. Também mostraram especificidade, razão de verossimilhança positiva e odds ratio diagnóstica menores, mas os testes estatísticos não forneceram evidência forte de diferenças significativas.

Os autores concluem que modelos de inteligência artificial mostram forte poder preditivo para recidiva em adenomas hipofisários funcionantes e não funcionantes, com acurácia média acima de 80%. Contudo, a ausência de validação externa e a complexidade dos dados de entrada são desafios que ressaltam a necessidade de validação rigorosa com conjuntos de dados multicêntricos e técnicas de imagem padronizadas para melhorar a aplicabilidade clínica.

Para o médico, esses achados sugerem que os modelos de ML podem, no futuro, auxiliar na estratificação de risco de recidiva, mas ainda não estão prontos para uso rotineiro sem validação externa. A decisão clínica deve permanecer baseada em evidências consolidadas e julgamento individualizado.

O que o estudo mostrou

Revisão sistemática e meta-análise que buscou estudos em cinco bases de dados até novembro de 2024, seguindo diretrizes PRISMA. De 1240 estudos triados, seis preencheram os critérios de elegibilidade, envolvendo abordagens de ML para prever recidiva de adenoma hipofisário. Os estudos empregaram 12 algoritmos diferentes. A meta-análise mostrou sensibilidade agrupada de 0,87, especificidade de 0,86, razão de verossimilhança positiva de 6,32, negativa de 0,16, odds ratio diagnóstica de 40,52 e AUC agrupada de 0,89. A comparação entre algoritmos de regressão logística e não-LR não mostrou diferenças estatisticamente significativas.

Limitações

O resumo não informa o número total de pacientes incluídos nos estudos, nem detalhes sobre as características das populações ou dos centros participantes. A principal limitação apontada é a falta de validação externa dos modelos, além da complexidade dos dados de entrada. O resumo também não fornece informações sobre possíveis vieses de publicação ou heterogeneidade entre os estudos.

Aplicação no consultório

Os achados indicam que modelos de ML podem, futuramente, auxiliar na predição de recidiva de adenoma hipofisário, mas ainda carecem de validação externa antes de serem incorporados à prática clínica. No consultório, o médico deve manter o seguimento baseado em diretrizes e considerar que a acurácia relatada é promissora, porém não substitui o julgamento clínico individualizado. A gestão do consultório pode se beneficiar de ferramentas que integrem dados clínicos e de imagem, mas a implementação requer validação em cenários locais e treinamento da equipe.

Estudo citado

Prediction of recurrence after surgery for pituitary adenoma using machine learning- based models: systematic review and meta-analysis. BMC endocrine disorders, 2025.
Autores: Mohammadzadeh I, Hajikarimloo B, Niroomand B, Faizi N, Eini P, Habibi MA, Mohseni A, Sabahi M, Albakr A, Karsy M, Borghei-Razavi H.
DOI: 10.1186/s12902-025-01955-8 · PubMed: PMID 40597183

Perguntas para aprofundar

• Quais são os principais desafios para implementar modelos de aprendizado de máquina na predição de recidiva de adenoma hipofisário?
• Como a validação externa pode influenciar a confiança nos modelos preditivos de recidiva?
• Quais algoritmos de aprendizado de máquina têm mostrado melhor desempenho na predição de recidiva de adenoma hipofisário?

Mais sobre IA em cirurgia e robótica

• Modelos de aprendizado de máquina são úteis para prever a sobrevida do enxerto em transplante renal?
• O aprendizado de máquina é útil para prever rejeição de enxerto após transplante renal?
• Modelos de aprendizado de máquina podem prever desfechos funcionais de usuários de implante coclear com desempenho adequado?
• Intervenções guiadas por aprendizado de máquina melhoram desfechos perioperatórios em comparação ao cuidado padrão?
• Modelos de machine learning são superiores à regressão logística para prever desfechos pós-operatórios em cirurgia gastrointestinal?

Todas as perguntas sobre IA em cirurgia e robótica · Todos os temas · Versão em markdown