# Modelos de machine learning predizem bem o risco de trombose associada ao câncer, apesar do alto risco de viés?

> A revisão sistemática com meta-análise reuniu 32 estudos e indicou que os modelos de machine learning para trombose associada ao câncer têm boa aplicabilidade e desempenho preditivo excelente. Porém, a maioria dos estudos apresentou alto risco de viés, o que limita a confiança nos resultados e a transposição direta para a prática clínica.

Estudo citado: Chen K, Zhang Y, Zhang L, Zhang W, Chen Y. Machine learning models for risk prediction of cancer-associated thrombosis: a systematic review and meta-analysis. Journal of thrombosis and haemostasis : JTH. 2025. DOI: https://doi.org/10.1016/j.jtha.2024.11.001. PubMed: https://pubmed.ncbi.nlm.nih.gov/39549838/

## Resposta

A trombose associada ao câncer é uma complicação relevante no acompanhamento oncológico, e o número de modelos preditivos baseados em machine learning vem crescendo. Esta revisão sistemática com meta-análise buscou avaliar criticamente e quantificar o desempenho desses modelos, reunindo a literatura disponível em múltiplas bases de dados até dezembro de 2023.

Os autores avaliaram o risco de viés e a aplicabilidade dos modelos com ferramentas padronizadas e graduaram a qualidade da evidência. Foram incluídos 32 estudos, e a maior parte da literatura apresentou alto risco de viés, embora a aplicabilidade dos modelos tenha sido considerada aceitável. A meta-análise, que incluiu 21 estudos, demonstrou alta capacidade preditiva dos modelos de machine learning.

O contraste entre bom desempenho preditivo e alto risco de viés é o achado central. Isso significa que os resultados de discriminação relatados são promissores, mas precisam ser interpretados com cautela, pois problemas metodológicos nos estudos podem inflar ou distorcer as estimativas de desempenho.

Para o médico, a mensagem prática é que os modelos de machine learning para trombose associada ao câncer ainda não devem ser adotados acriticamente na rotina. O resumo não informa detalhes sobre as populações incluídas, os desfechos exatos ou os algoritmos utilizados, o que reforça a necessidade de leitura crítica antes de qualquer incorporação.

## O que o estudo mostrou

Trata-se de revisão sistemática com meta-análise que buscou publicações em múltiplas bases de dados até dezembro de 2023. Foram incluídos 32 estudos, avaliados quanto a risco de viés e aplicabilidade com ferramentas padronizadas, e a qualidade da evidência foi graduada. A maioria apresentou alto risco de viés, com aplicabilidade aceitável. A meta-análise, com 21 estudos, mostrou alta capacidade preditiva dos modelos de machine learning para trombose associada ao câncer.

## Limitações

O resumo não informa as características das populações, os algoritmos avaliados nem os desfechos específicos. O achado predominante de alto risco de viés limita a confiança nas estimativas de desempenho. O resumo também não detalha a heterogeneidade entre os estudos nem a qualidade da evidência graduada, o que restringe conclusões sobre validade externa.

## Aplicação no consultório

Os resultados sugerem potencial dos modelos de machine learning, mas o alto risco de viés desaconselha incorporá-los de imediato à rotina. Na gestão do consultório, vale acompanhar a evolução dessas ferramentas e priorizar modelos com validação robusta antes de adotá-los em protocolos de rastreio ou decisões terapêuticas. O resumo não permite definir condutas específicas.

## Perguntas para aprofundar

- Quais critérios de risco de viés foram mais frequentemente comprometidos nos modelos de machine learning para trombose associada ao câncer?
- Como a aplicabilidade dos modelos foi avaliada e o que ela significa para populações oncológicas distintas?
- Que características dos estudos incluídos podem explicar a alta capacidade preditiva relatada na meta-análise?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/modelos-de-machine-learning-predizem-bem-o-risco-de-trombose-associada-ao/

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