# Modelos de machine learning e deep learning são eficazes na detecção pré-operatória de metástase linfonodal em câncer colorretal?

> Sim, modelos de machine learning (ML) e deep learning (DL) mostram bom desempenho na predição de metástase linfonodal pré-operatória em câncer colorretal, com AUC agrupada de 0,87, sensibilidade de 78% e especificidade de 77%, superando radiologistas. Estudos prospectivos e sem validação externa apresentaram AUCs mais altas. São necessários mais estudos prospectivos multicêntricos para validação.

Estudo citado: Abbaspour E, Mansoori B, Karimzadhagh S, Chalian M, Pouramini A, Sheida F et al.. Machine learning and deep learning models for preoperative detection of lymph node metastasis in colorectal cancer: a systematic review and meta-analysis. Abdominal radiology (New York). 2025. DOI: https://doi.org/10.1007/s00261-024-04668-z. PubMed: https://pubmed.ncbi.nlm.nih.gov/39522103/

## Resposta

A revisão sistemática e meta-análise avaliou o desempenho diagnóstico de modelos de machine learning (ML) e deep learning (DL) para prever metástase linfonodal (LNM) pré-operatória em pacientes com câncer colorretal (CRC). Foram incluídos 12 estudos, totalizando 8321 pacientes, com a maioria publicada entre 2021 e 2024. A qualidade dos estudos foi avaliada pela ferramenta QUADAS-2, e as análises utilizaram modelos de efeitos aleatórios.

Os resultados mostraram que a AUC agrupada dos modelos de ML foi de 0,87 (IC 95%: 0,82-0,91), com sensibilidade de 78% (IC 95%: 69-87%) e especificidade de 77% (IC 95%: 64-90%). Radiologistas, tanto juniores quanto seniores, apresentaram desempenho semelhante entre si e significativamente inferior ao dos modelos de ML (P < 0,001).

Análises de subgrupo revelaram AUCs mais altas em estudos prospectivos (0,95; IC 95%: 0,87-1) em comparação aos retrospectivos (0,85; IC 95%: 0,81-0,89) (P = 0,03). Estudos sem validação externa exibiram AUCs significativamente maiores do que aqueles com validação externa (P < 0,01). Não houve diferença significativa na AUC e sensibilidade entre os estágios T1-T2 e T2-T4, mas a especificidade foi significativamente maior nos estágios T2-T4 (95%; IC 95%: 92-98%) do que nos estágios iniciais T1-T2 (61%; IC 95%: 44-78%) (P < 0,01).

Os autores concluem que os modelos de ML demonstram forte potencial para estadiamento pré-operatório de LNM e planejamento de tratamento em CRC, podendo reduzir a necessidade de cirurgias adicionais e os encargos financeiros e de saúde relacionados. No entanto, são necessários mais estudos prospectivos multicêntricos, com relato padronizado de algoritmos, parâmetros de modalidade e estadiamento de LNM, para validar esses achados.

## O que o estudo mostrou

Revisão sistemática e meta-análise com 12 estudos e 8321 pacientes, seguindo diretrizes PRISMA-DTA e AMSTAR-2. A AUC agrupada dos modelos de ML para predizer LNM em CRC foi 0,87 (IC 95%: 0,82-0,91), com sensibilidade de 78% e especificidade de 77%. Radiologistas tiveram desempenho inferior (P < 0,001). Estudos prospectivos e sem validação externa mostraram AUCs mais altas. Especificidade foi maior em estágios T2-T4 que T1-T2.

## Limitações

O resumo não informa detalhes sobre as limitações individuais dos estudos incluídos, mas aponta heterogeneidade significativa (I2: 86,17%) e a necessidade de estudos prospectivos multicêntricos com relato padronizado para validar os achados. A ausência de validação externa em alguns estudos pode superestimar o desempenho.

## Aplicação no consultório

Os achados sugerem que modelos de ML podem auxiliar no estadiamento pré-operatório de LNM em CRC, potencialmente reduzindo cirurgias desnecessárias. Para o médico, isso implica considerar essas ferramentas como apoio à decisão, mas com cautela devido à heterogeneidade e necessidade de validação externa. Na gestão do consultório, pode-se avaliar a incorporação de tais tecnologias, ponderando custos e benefícios, e acompanhar novas evidências para aplicação clínica segura.

## Perguntas para aprofundar

- Qual o desempenho de modelos de machine learning na predição de metástase linfonodal em câncer colorretal em comparação com métodos tradicionais?
- Quais fatores afetam a acurácia de modelos de inteligência artificial no estadiamento pré-operatório do câncer colorretal?
- Como a validação externa influencia a confiabilidade de modelos de machine learning na prática clínica oncológica?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/modelos-de-machine-learning-e-deep-learning-sao-eficazes-na-deteccao-pre/

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