Qual é o valor preditivo do machine learning para recidiva de câncer de mama, segundo uma revisão sistemática e meta-análise?
Resposta curta: Em estudos com 67.560 sujeitos, o c-index dos modelos de machine learning foi 0,814 na derivação e 0,770 na validação; sensibilidade e especificidade foram 0,69 e 0,89 na derivação e 0,64 e 0,88 na validação. O machine learning pode auxiliar na predição de recidiva, mas faltam modelos universais para a prática clínica.
Resposta
A revisão sistemática com meta-análise reuniu estudos que avaliaram modelos de machine learning para prever o risco de recidiva em pacientes com câncer de mama. O objetivo foi estimar a acurácia preditiva e agregar as variáveis mais usadas na construção desses modelos, oferecendo subsídios para futuros sistemas de escore de risco.
Os resultados agrupados mostraram bom desempenho discriminativo: o c-index foi 0,814 (IC 95% 0,802-0,826) no conjunto de treinamento e 0,770 (IC 95% 0,737-0,803) no conjunto de validação. A sensibilidade e a especificidade foram, respectivamente, 0,69 (IC 95% 0,64-0,74) e 0,89 (IC 95% 0,86-0,92) no treinamento, e 0,64 (IC 95% 0,58-0,70) e 0,88 (IC 95% 0,82-0,92) na validação.
As variáveis mais frequentemente utilizadas na construção dos modelos foram idade, grau histológico e status linfonodal. Os autores destacam que estilos de vida não saudáveis, como consumo de álcool, tabagismo e IMC, devem ser considerados como variáveis de modelagem. Modelos baseados em machine learning têm valor de monitoramento de longo prazo para a população com câncer de mama.
A conclusão aponta que o machine learning pode ser usado como ferramenta preditiva para recidiva de câncer de mama, mas atualmente falta um modelo eficaz e universalmente aplicável na prática clínica. Estudos futuros devem incorporar dados multicêntricos e de grande amostra para estabelecer equações de risco validadas, visando identificar populações de alto risco e desenvolver estratégias personalizadas de seguimento e intervenções prognósticas.
O que o estudo mostrou
Revisão sistemática e meta-análise que buscou estudos em Pubmed, EMBASE, Cochrane e Web of Science, avaliando risco de viés pelo PROBAST e usando meta-regressão para explorar diferenças no tempo de recidiva. Foram incluídos estudos com 67.560 sujeitos, dos quais 8695 tiveram recidiva. O c-index foi 0,814 (IC 95% 0,802-0,826) no treinamento e 0,770 (IC 95% 0,737-0,803) na validação; sensibilidade e especificidade foram 0,69 e 0,89 no treinamento e 0,64 e 0,88 na validação.
Limitações
O resumo não detalha as limitações individuais dos estudos incluídos nem o resultado da avaliação de risco de viés pelo PROBAST. Também não informa características específicas das populações, dos algoritmos ou dos horizontes de seguimento. A heterogeneidade entre os modelos e a falta de validação externa ampla limitam a generalização dos achados para a prática clínica.
Aplicação no consultório
Os achados sugerem que ferramentas de machine learning podem apoiar a estratificação de risco de recidiva, mas ainda não há modelo universalmente aplicável. Na prática, o médico deve interpretar esses resultados com cautela e não substituir o julgamento clínico. Para a gestão do consultório, pode-se considerar a incorporação futura de escores validados em fluxos de seguimento, desde que baseados em dados locais e multicêntricos, e reforçar a coleta sistemática de variáveis clínicas e de estilo de vida para alimentar modelos prognósticos.
Estudo citado
Predictive value of machine learning for breast cancer recurrence: a systematic review and meta-analysis. Journal of cancer research and clinical oncology, 2023.
Autores: Lu D, Long X, Fu W, Liu B, Zhou X, Sun S.
DOI: 10.1007/s00432-023-04967-w · PubMed: PMID 37302114
Perguntas para aprofundar
- Quais variáveis clínicas são mais usadas nos modelos de machine learning para recidiva de câncer de mama?
- Como o c-index de modelos de machine learning se comporta entre treinamento e validação?
- O que falta para que modelos de machine learning sejam aplicáveis na prática clínica para recidiva de câncer de mama?
Mais sobre IA em dermatologia
- A espectroscopia Raman combinada com aprendizado de máquina é uma alternativa precisa para o diagnóstico de câncer de mama?
- Modelos de aprendizado de máquina baseados em ultrassom são eficazes para prever a resposta à quimioterapia neoadjuvante no câncer de mama?
- Modelos de aprendizado de máquina são mais precisos que modelos tradicionais na predição de risco de câncer de mama?
- A integração de deep learning com ultrassonografia melhora a acurácia diagnóstica do câncer de mama em comparação com o ultrassom convencional?
- Algoritmos de aprendizado de máquina em rastreamento mamográfico têm desempenho comparável ou superior ao dos leitores humanos?
Todas as perguntas sobre IA em dermatologia · Todos os temas · Versão em markdown