# Modelos de machine learning com dados longitudinais são acurados para prever complicações do câncer?

> Sim. Esta revisão sistemática com meta-análise mostra que modelos de machine learning aplicados a dados longitudinais apresentam boa acurácia para prever complicações oncológicas, com AUC agrupada de 0,78 para eventos adversos imunes e de 0,82 para deterioração da qualidade de vida, além de AUCs entre 0,70 e 0,75 para recidiva e mortalidade.

Estudo citado: Sarwar Zamani A, Motwakel Eltayeb A, Alluhayb A, Akhtar MM, Ayub R, Abdelmonem Ahmed Abdelrahim M et al.. Application of Machine learning in predicting cancer complications using longitudinal Data: A systematic review and Meta-Analysis. International journal of medical informatics. 2026. DOI: https://doi.org/10.1016/j.ijmedinf.2025.106217. PubMed: https://pubmed.ncbi.nlm.nih.gov/41422795/

## Resposta

A revisão sistemática com meta-análise reuniu estudos que avaliaram modelos de machine learning baseados em dados longitudinais para estimar complicações relacionadas ao câncer, como metástase, recidiva e efeitos adversos dos tratamentos. Os autores buscaram artigos em bases de dados científicas para o período de 2020 a 2024 e identificaram sete estudos que atendiam aos critérios.

Os resultados agrupados indicam acurácia discriminativa relevante. Para predição de eventos adversos imunes, a área sob a curva agrupada foi de 0,78 (IC 95%: 0,73-0,83). Para recidiva e mortalidade, as AUCs agrupadas variaram de 0,70 a 0,75. Modelos voltados à deterioração da qualidade de vida durante o tratamento apresentaram AUC de 0,82.

Um achado central foi que modelos que integram dados clínicos, genômicos e de imagem demonstraram acurácia preditiva superior em diferentes tipos de câncer. Isso sugere que a combinação de múltiplas fontes de dados longitudinais pode capturar melhor a complexidade da evolução clínica oncológica do que abordagens com uma única modalidade de informação.

Os autores concluem que modelos de machine learning aplicados a dados longitudinais predizem complicações do câncer de forma efetiva, com acurácia aprimorada quando dados multimodais são integrados. Esses modelos são apresentados como ferramentas promissoras para apoiar a tomada de decisão clínica em oncologia.

Para o médico, o estudo reforça o potencial de incorporar predições baseadas em machine learning na vigilância de complicações, mas o resumo não detalha protocolos de implantação, validação externa ou impacto em desfechos clínicos. A leitura crítica dos estudos primários permanece necessária antes de adotar essas ferramentas na rotina.

## O que o estudo mostrou

Trata-se de revisão sistemática com meta-análise que buscou artigos em bases de dados para o período de 2020 a 2024 e incluiu sete estudos que analisaram modelos de machine learning com dados longitudinais para prognóstico de complicações do câncer. O risco de viés foi avaliado com ferramenta específica e a acurácia diagnóstica com o instrumento QUADES 2. A AUC agrupada para eventos adversos imunes foi de 0,78 (IC 95%: 0,73-0,83); para recidiva e mortalidade, de 0,70 a 0,75; e para deterioração da qualidade de vida, 0,82. Modelos multimodais mostraram acurácia superior.

## Limitações

O resumo não informa o número total de pacientes, as características das coortes, os tipos específicos de câncer incluídos, os algoritmos empregados nem a heterogeneidade entre os estudos. Também não detalha validação externa dos modelos, desempenho em subgrupos ou impacto clínico. Essas lacunas limitam a generalização dos achados para a prática e exigem cautela na interpretação das AUCs agrupadas.

## Aplicação no consultório

Na prática oncológica, os achados apoiam a ideia de que modelos com dados longitudinais e multimodais podem auxiliar na estratificação de risco para eventos adversos imunes, recidiva, mortalidade e deterioração da qualidade de vida. Para a gestão do consultório, isso sugere planejar a coleta estruturada e longitudinal de dados clínicos, genômicos e de imagem, além de avaliar a qualidade e a validação das ferramentas antes de incorporá-las à rotina. O resumo não informa custos, fluxos de implantação ou requisitos de infraestrutura.

## Perguntas para aprofundar

- Quais algoritmos de machine learning foram mais usados para prever complicações oncológicas com dados longitudinais?
- Como integrar dados clínicos, genômicos e de imagem na predição de recidiva e mortalidade?
- Que cuidados de validação são necessários antes de adotar modelos preditivos na prática oncológica?

Tema: IA em medicina de precisão e genômica. Página: https://alphadoctor.com.br/ciencia/ia-medicina-precisao-genomica/modelos-de-machine-learning-com-dados-longitudinais-sao-acurados-para-prever/

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