# Modelos de aprendizado de máquina são mais precisos que modelos tradicionais na predição de risco de câncer de mama?

> Sim, modelos de aprendizado de máquina mostraram melhor discriminação (C-statistic agrupado de 0,74) em comparação aos tradicionais (0,67), especialmente ao integrar dados genéticos e de imagem. No entanto, a generalização e interpretabilidade ainda são desafios, e modelos tradicionais como o Gail tiveram baixa acurácia em populações não ocidentais.

Estudo citado: Liu L, Zhou P, Hou L, Kao C, Zhang Z, Wang D et al.. Development and performance of female breast cancer incidence risk prediction models: a systematic review and meta-analysis. Annals of medicine. 2025. DOI: https://doi.org/10.1080/07853890.2025.2534522. PubMed: https://pubmed.ncbi.nlm.nih.gov/40684451/

## Resposta

A revisão sistemática e meta-análise comparou o desempenho de modelos tradicionais e de aprendizado de máquina na predição de risco de câncer de mama. Foram incluídos 144 estudos de 27 países, com dados genéticos, clínicos e de imagem. A discriminação foi avaliada pelo C-statistic agrupado e a calibração pela razão observado/esperado (O/E).

Os resultados mostraram que modelos de aprendizado de máquina tiveram C-statistic agrupado de 0,74, superior ao 0,67 dos modelos tradicionais. Modelos que integraram dados genéticos e de imagem apresentaram maior acurácia, embora com variação entre populações. Análises de sensibilidade excluindo estudos com alto risco de viés mostraram melhora na discriminação para modelos com fatores genéticos, com C-statistic de 0,72.

Modelos tradicionais, como o Gail, mostraram acurácia preditiva notavelmente baixa em populações não ocidentais, com C-statistic de 0,543 em coortes chinesas. Isso sugere limitações na aplicabilidade desses modelos fora de contextos ocidentais.

A conclusão é que modelos de aprendizado de máquina oferecem maior acurácia preditiva, especialmente com dados multidimensionais. No entanto, questões de generalização e interpretabilidade permanecem, particularly em populações diversas. Pesquisas futuras devem focar em modelos mais interpretáveis e validação global para melhorar a aplicabilidade.

Para o médico, esses achados indicam que a escolha do modelo de predição deve considerar a população atendida e a disponibilidade de dados. Modelos de aprendizado de máquina podem ser mais precisos, mas a implementação requer validação local e atenção à interpretabilidade.

## O que o estudo mostrou

Revisão sistemática e meta-análise de 144 estudos de 27 países, incluindo dados genéticos, clínicos e de imagem. Modelos de aprendizado de máquina apresentaram C-statistic agrupado de 0,74 versus 0,67 para modelos tradicionais. Modelos com dados genéticos e de imagem tiveram maior acurácia. Análise de sensibilidade excluindo estudos com alto viés mostrou C-statistic de 0,72 para modelos com fatores genéticos. O modelo Gail teve C-statistic de 0,543 em coortes chinesas.

## Limitações

O resumo não informa detalhes sobre a qualidade dos estudos incluídos, heterogeneidade entre populações e métodos de validação. A generalização dos achados é limitada pela variabilidade populacional e pela falta de informações sobre interpretabilidade dos modelos. O resumo também não descreve as características das amostras ou critérios de inclusão dos estudos.

## Aplicação no consultório

Na prática clínica, a escolha do modelo de predição de risco de câncer de mama deve considerar a população atendida e os dados disponíveis. Modelos de aprendizado de máquina podem oferecer melhor discriminação, mas exige validação local e infraestrutura para coleta de dados genéticos e de imagem. A gestão do consultório pode se beneficiar da incorporação de ferramentas digitais, mas é preciso atenção à interpretabilidade e às limitações em grupos étnicos diversos.

## Perguntas para aprofundar

- Como integrar modelos de aprendizado de máquina na rotina de rastreamento do câncer de mama?
- Quais são os desafios de validação de modelos preditivos em populações brasileiras?
- Modelos tradicionais como o Gail ainda têm espaço na prática clínica atual?

Tema: IA em dermatologia. Página: https://alphadoctor.com.br/ciencia/ia-dermatologia/modelos-de-aprendizado-de-maquina-sao-mais-precisos-que-modelos-tradicionais-na/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.