# Modelos de regressão ou de aprendizado de máquina são melhores para prever mortalidade em 10 anos em mulheres com câncer de mama?

> Em mulheres com câncer de mama de qualquer estágio, modelos de regressão (Cox e riscos competitivos) apresentaram melhor discriminação e calibração mais consistente em comparação com modelos de aprendizado de máquina (XGBoost e rede neural), com potencial utilidade clínica superior segundo análise de curva de decisão.

Estudo citado: Clift AK, Dodwell D, Lord S, Petrou S, Brady M, Collins GS et al.. Development and internal-external validation of statistical and machine learning models for breast cancer prognostication: cohort study. BMJ (Clinical research ed.). 2023. DOI: https://doi.org/10.1136/bmj-2022-073800. PubMed: https://pubmed.ncbi.nlm.nih.gov/37164379/

## Resposta

Este estudo de coorte populacional desenvolveu e validou internamente-externamente modelos para estimar o risco de mortalidade relacionada ao câncer de mama em 10 anos. Foram comparadas duas abordagens de regressão (Cox e riscos competitivos) e duas de aprendizado de máquina (XGBoost e rede neural artificial). A validação interna-externa foi usada para avaliar discriminação, calibração e utilidade clínica.

Os resultados mostraram que o modelo de Cox teve o melhor desempenho discriminativo, com índice C de Harrell agrupado de 0,858 (IC 95% 0,853-0,864). O modelo de riscos competitivos também apresentou boa discriminação (0,849; IC 95% 0,839-0,859) e calibração adequada. Os modelos de aprendizado de máquina tiveram discriminação aceitável, mas padrões mais complexos de miscalibração e desempenho variável por região e estágio.

A análise de curva de decisão sugeriu que os modelos de regressão podem ter maior utilidade clínica do que os de aprendizado de máquina. Os preditores incluídos nos modelos de regressão foram idade ao diagnóstico, índice de massa corporal, tabagismo, via de diagnóstico, status do receptor hormonal, estágio e grau do câncer.

Os achados indicam que, com os preditores disponíveis neste conjunto de dados, métodos de regressão tiveram desempenho melhor e mais consistente. Os autores concluem que esses modelos podem ser dignos de avaliação adicional para uso clínico potencial, como para acompanhamento estratificado.

O estudo foi baseado em dados de atenção primária na Inglaterra, com linkage a registros de câncer e mortalidade, e incluiu mulheres com câncer de mama invasivo diagnosticado entre 2000 e 2020. A validação interna-externa e a meta-análise de efeitos aleatórios foram usadas para avaliar transportabilidade e utilidade clínica.

## O que o estudo mostrou

Estudo de coorte populacional com mulheres com câncer de mama invasivo diagnosticado entre 2000 e 2020, usando dados de atenção primária na Inglaterra linkados a registros de câncer e mortalidade. Foram comparadas quatro estratégias de modelagem: regressão de Cox, regressão de riscos competitivos, XGBoost e rede neural artificial. Durante seguimento mediano de 4,16 anos, ocorreram mortes relacionadas ao câncer de mama e por outras causas. O modelo de Cox teve o maior índice C de Harrell agrupado (0,858; IC 95% 0,853-0,864) e calibração aceitável. O modelo de riscos competitivos teve índice C de 0,849 (IC 95% 0,839-0,859). Os modelos de aprendizado de máquina tiveram discriminação aceitável, mas miscalibração mais complexa e desempenho variável. A análise de curva de decisão favoreceu os modelos de regressão.

## Limitações

O resumo não informa detalhes sobre possíveis limitações do estudo, como viés de seleção, dados faltantes ou aplicabilidade a outras populações. Os resultados são baseados em dados de atenção primária da Inglaterra, e a transportabilidade para outros contextos não é totalmente estabelecida. Além disso, o resumo não fornece informações sobre a validação externa completa ou sobre a implementação clínica dos modelos.

## Aplicação no consultório

Para o médico brasileiro, este estudo sugere que modelos de regressão, como o de Cox, podem ser mais confiáveis para estimar prognóstico em 10 anos de mulheres com câncer de mama, especialmente se considerados preditores clínicos e patológicos disponíveis. Na gestão do consultório, isso pode auxiliar na estratificação de risco e no planejamento de acompanhamento, embora os modelos ainda não estejam prontos para uso clínico rotineiro. A comparação com aprendizado de máquina reforça a importância de validar ferramentas antes de adotá-las. O resumo não informa sobre custos ou implementação.

## Perguntas para aprofundar

- Quais preditores clínicos e patológicos foram mais importantes nos modelos de regressão para mortalidade em câncer de mama?
- Como a validação interna-externa foi conduzida e qual seu impacto na transportabilidade dos modelos?
- Os modelos de aprendizado de máquina poderiam ser melhorados com engenharia de atributos ou maior volume de dados?

Tema: IA em dermatologia. Página: https://alphadoctor.com.br/ciencia/ia-dermatologia/modelos-de-regressao-ou-de-aprendizado-de-maquina-sao-melhores-para-prever/

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