# Modelos de machine learning aplicados à RM podem predizer resposta patológica completa à quimiorradioterapia neoadjuvante no câncer retal?

> Sim, segundo esta revisão sistemática com meta-análise. Em 24 estudos e 1699 pacientes, modelos de machine learning usando RM mostraram AUC agrupada de 0,91, sensibilidade de 0,83 e especificidade de 0,86 para predizer resposta patológica completa. Modelos de deep learning tiveram AUC de 0,93, superior aos modelos tradicionais (0,89).

Estudo citado: He J, Wang SX, Liu P. Machine learning in predicting pathological complete response to neoadjuvant chemoradiotherapy in rectal cancer using MRI: a systematic review and meta-analysis. The British journal of radiology. 2024. DOI: https://doi.org/10.1093/bjr/tqae098. PubMed: https://pubmed.ncbi.nlm.nih.gov/38730550/

## Resposta

A revisão sistemática com meta-análise avaliou o desempenho de modelos de machine learning na predição de resposta patológica completa (pCR) à quimiorradioterapia neoadjuvante (nCRT) em pacientes com câncer retal, utilizando imagens de ressonância magnética (RM). Foram incluídos 24 estudos, totalizando 1699 pacientes, publicados até março de 2024. A qualidade metodológica foi avaliada pelo QUADAS-2 e as estimativas agrupadas foram calculadas com modelos de efeitos aleatórios.

Os resultados mostraram que os modelos de machine learning apresentaram AUC agrupada de 0,91 (IC 95%: 0,88-0,93), sensibilidade de 0,83 (IC 95%: 0,74-0,89) e especificidade de 0,86 (IC 95%: 0,80-0,91). A heterogeneidade foi investigada e seis estudos contribuíram substancialmente para ela; após exclusão desses, a heterogeneidade reduziu significativamente. Na análise de subgrupos, modelos de deep learning obtiveram AUC de 0,93, enquanto modelos estatísticos tradicionais tiveram AUC de 0,89.

Outros subgrupos também foram analisados: estudos que usaram imagem ponderada em difusão (DWI) tiveram AUC de 0,90, e os que não usaram, 0,92. Estudos conduzidos na China apresentaram AUC de 0,93, enquanto os realizados em outros países tiveram AUC de 0,83. Esses achados sugerem que fatores como técnica de imagem e localização geográfica podem influenciar o desempenho dos modelos.

Os autores concluem que o machine learning tem potencial promissor na predição de pCR em pacientes com câncer retal localmente avançado. Apesar de os estudos com deep learning serem menos predominantes e mais heterogêneos, eles alcançaram AUC mais alta. A integração com informações clínicas pode aproximar a medicina de precisão. O resumo não detalha limitações específicas dos estudos incluídos, mas a heterogeneidade observada e a necessidade de validação externa são considerações relevantes.

Para o médico, esses resultados indicam que ferramentas de machine learning baseadas em RM podem auxiliar na identificação de pacientes com maior probabilidade de pCR, potencialmente orientando decisões sobre conduta expectante ou cirurgia. No entanto, a implementação clínica requer validação em diferentes contextos e integração com dados clínicos.

## O que o estudo mostrou

Revisão sistemática e meta-análise de 24 estudos, incluindo 1699 pacientes, publicados até março de 2024. Modelos de machine learning aplicados à RM para predizer pCR à nCRT em câncer retal mostraram AUC agrupada de 0,91 (IC 95%: 0,88-0,93), sensibilidade de 0,83 (IC 95%: 0,74-0,89) e especificidade de 0,86 (IC 95%: 0,80-0,91). Seis estudos contribuíram para a heterogeneidade; após exclusão, a heterogeneidade reduziu significativamente. Subgrupos: deep learning AUC 0,93 vs. modelos tradicionais 0,89; DWI AUC 0,90 vs. sem DWI 0,92; China AUC 0,93 vs. outros países 0,83.

## Limitações

O resumo não informa detalhes sobre as limitações dos estudos primários, como risco de viés individual, heterogeneidade clínica ou metodológica, e não descreve as características dos pacientes incluídos. A heterogeneidade foi significativa e parcialmente explicada por seis estudos, mas outros fatores podem persistir. A ausência de validação externa e a variação geográfica nos resultados limitam a generalização imediata. O resumo não fornece dados sobre custo ou aplicabilidade dos modelos na prática clínica.

## Aplicação no consultório

Os achados sugerem que modelos de machine learning podem auxiliar o médico na estratificação de risco de pacientes com câncer retal submetidos a nCRT, potencialmente apoiando decisões sobre estratégias de preservação de esfíncter ou conduta expectante. No consultório, isso se traduz em discutir com a equipe multidisciplinar a incorporação dessas ferramentas como apoio à decisão, sempre aliadas ao julgamento clínico e aos dados de imagem. Para a gestão, pode implicar investimento em infraestrutura de TI e treinamento, além de considerar a validação local dos modelos antes da implementação rotineira.

## Perguntas para aprofundar

- Qual é o desempenho de modelos de deep learning versus modelos tradicionais de machine learning na predição de resposta patológica completa em câncer retal?
- A imagem ponderada em difusão (DWI) melhora a acurácia de modelos de machine learning na predição de resposta à quimiorradioterapia neoadjuvante?
- Quais são as limitações metodológicas dos estudos que avaliam machine learning na predição de resposta patológica completa em câncer retal?

Tema: IA em medicina de precisão e genômica. Página: https://alphadoctor.com.br/ciencia/ia-medicina-precisao-genomica/modelos-de-machine-learning-aplicados-a-rm-podem-predizer-resposta-patologica/

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