# Modelos de machine learning têm bom desempenho na predição e diagnóstico do câncer colorretal?

> Uma revisão sistemática de estudos publicados entre 2019 e 2024 mostrou que modelos de machine learning, especialmente Ensemble Learning, Redes Neurais e Support Vector Machines, apresentam alto desempenho diagnóstico para câncer colorretal, mas a variabilidade de datasets e a falta de validação externa limitam a aplicação clínica imediata.

Estudo citado: Abuzuhri MA, Najjar S, Awad M, Cruz-Correia R, Falna H, Aktas E et al.. Machine learning in colorectal cancer prediction and diagnosis: a systematic review of models' performance. International journal of medical informatics. 2026. DOI: https://doi.org/10.1016/j.ijmedinf.2025.106170. PubMed: https://pubmed.ncbi.nlm.nih.gov/41175842/

## Resposta

A revisão sistemática avaliou o desempenho de modelos de machine learning (ML) na predição e diagnóstico do câncer colorretal (CCR) em estudos publicados entre 2019 e 2024. Foram incluídos trinta estudos que atenderam aos critérios de seleção, seguindo as diretrizes PRISMA. O objetivo foi identificar os modelos mais utilizados, seu desempenho e o impacto de diferentes configurações nos resultados.

Os resultados mostraram que o Random Forest (RF) foi o modelo mais frequentemente avaliado. No entanto, Ensemble Learning (EML), Redes Neurais (ANN/DNN) e Support Vector Machines (SVM) demonstraram consistentemente os melhores desempenhos em múltiplas métricas. A maioria dos estudos utilizou conjuntos de dados moleculares, e os métodos de seleção de características variaram amplamente, influenciando significativamente o desempenho dos modelos.

A conclusão dos autores é que modelos de ML, particularmente EML, ANN, DNN e SVM, apresentam alto potencial diagnóstico para CCR. Contudo, qualquer efeito sobre a tomada de decisão clínica e desfechos por meio de maior acurácia e detecção precoce requer validação externa e prospectiva. A variabilidade nos conjuntos de dados, metodologias e qualidade de relato destaca lacunas importantes na pesquisa, incluindo a falta de procedimentos padronizados de validação e de relato consistente de desempenho.

Para o médico, esses achados sugerem que a incorporação clínica desses modelos ainda é incerta. A ausência de validação externa e a heterogeneidade metodológica impedem conclusões definitivas sobre a superioridade de um modelo específico ou sua aplicabilidade direta na prática. A revisão reforça a necessidade de estudos prospectivos que avaliem o impacto real na prática clínica e nos desfechos dos pacientes.

Do ponto de vista da gestão do consultório, a adoção de ferramentas de ML para triagem ou apoio diagnóstico deve ser cautelosa. A falta de padronização e a variabilidade nos relatos dificultam a comparação entre modelos e a escolha de um sistema confiável. Investimentos em validação local e em infraestrutura para coleta de dados de qualidade podem ser necessários antes de implementar essas tecnologias na rotina.

## O que o estudo mostrou

Revisão sistemática com busca em SCOPUS, PubMed e Web of Science, seguindo diretrizes PRISMA, que incluiu trinta estudos publicados entre 2019 e 2024. Random Forest foi o modelo mais avaliado, enquanto Ensemble Learning, Redes Neurais (ANN/DNN) e Support Vector Machines apresentaram os melhores desempenhos em múltiplas métricas. A maioria dos estudos usou dados moleculares, e os métodos de seleção de características variaram amplamente, influenciando o desempenho. O resumo não informa o número total de pacientes ou amostras.

## Limitações

O resumo não detalha as limitações individuais dos estudos incluídos. A variabilidade nos conjuntos de dados, metodologias e qualidade de relato, além da falta de procedimentos padronizados de validação e de relato consistente de desempenho, são apontadas como lacunas que limitam a comparação entre modelos e a generalização dos achados. A ausência de validação externa e prospectiva também é uma limitação importante para a aplicação clínica.

## Aplicação no consultório

Os achados indicam que modelos de ML podem auxiliar no diagnóstico precoce do câncer colorretal, mas a heterogeneidade metodológica e a falta de validação externa impedem sua incorporação rotineira. Na gestão do consultório, é prudente aguardar estudos prospectivos que demonstrem impacto clínico antes de investir em sistemas de apoio à decisão baseados nesses modelos. A padronização de dados e a validação local podem ser etapas necessárias para uma eventual implementação futura.

## Perguntas para aprofundar

- Quais modelos de machine learning têm melhor desempenho na predição do câncer colorretal?
- A falta de validação externa compromete a aplicação clínica de modelos de machine learning no câncer colorretal?
- Como a variabilidade nos conjuntos de dados influencia o desempenho de modelos de machine learning no câncer colorretal?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/modelos-de-machine-learning-tem-bom-desempenho-na-predicao-e-diagnostico-do/

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