# Quais fatores predizem a resposta aos ligantes de receptores de somatostatina de primeira geração na acromegalia? > Uma revisão sistemática identificou que baixo nadir de GH no teste agudo com octreotida, hipointensidade em T2 na RM, alta expressão de SSTR2 e E-caderina, e padrão densamente granulado são preditores de boa resposta aos ligantes de primeira geração. A heterogeneidade dos estudos dificulta pontos de corte generalizáveis, mas modelos de aprendizado de máquina com omics prometem maior acurácia. Estudo citado: Marques-Pamies M, Gil J, Jordà M, Puig-Domingo M. Predictors of Response to Treatment with First-Generation Somatostatin Receptor Ligands in Patients with Acromegaly. Archives of medical research. 2023. DOI: https://doi.org/10.1016/j.arcmed.2023.102924. PubMed: https://pubmed.ncbi.nlm.nih.gov/38042683/ ## Resposta A revisão sistemática reuniu 64 artigos, em sua maioria retrospectivos, publicados entre 1990 e 2023, que avaliaram fatores preditivos de resposta aos ligantes de somatostatina de primeira geração (fgSRLs) em pacientes com acromegalia. Os autores buscaram evidências sobre fatores funcionais, de imagem e moleculares, com o objetivo de descrever o conhecimento atual e discutir a utilidade clínica desses preditores. Os resultados confirmam a utilidade de alguns fatores preditivos, com destaque para o baixo nadir de GH no teste agudo com octreotida, a hipointensidade em T2 na ressonância magnética, a alta expressão do receptor de somatostatina 2 (SSTR2) e de E-caderina, e o padrão densamente granulado. Esses biomarcadores mostraram-se inter-relacionados, mas a associação entre eles é bastante heterogênea, o que dificulta a definição de pontos de corte confiáveis e generalizáveis por métodos estatísticos clássicos. A revisão conclui que há um nível de evidência suficientemente robusto para aplicar o conhecimento dos fatores preditivos na prática clínica, visando maior eficiência no processo de decisão terapêutica. No entanto, a heterogeneidade dos estudos e a falta de padronização dos métodos limitam a recomendação universal desses preditores nas diretrizes clínicas atuais. Os autores destacam que modelos de aprendizado de máquina envolvendo abordagens ômicas são uma estratégia promissora para alcançar os mais altos valores de acurácia até o momento. A introdução da inteligência artificial nesse campo pode fornecer respostas definitivas para questões de longa data e, potencialmente, modificar as diretrizes clínicas, tornando a medicina personalizada uma realidade. Para o médico brasileiro, a revisão reforça a importância de considerar esses fatores preditivos ao avaliar a probabilidade de resposta aos fgSRLs, ainda que a aplicação rotineira dependa de validação adicional. O resumo não fornece detalhes sobre a população específica ou os critérios de inclusão dos estudos, mas evidencia a necessidade de integrar dados clínicos, de imagem e moleculares para otimizar a decisão terapêutica. ## O que o estudo mostrou Trata-se de uma revisão sistemática que buscou artigos nas bases Scopus e PubMed sobre fatores preditivos funcionais, de imagem e moleculares de resposta aos fgSRLs na acromegalia. Foram detectados 282 artigos, dos quais 64 foram incluídos, a maioria estudos retrospectivos realizados entre 1990 e 2023. Os achados confirmam a utilidade dos fatores preditivos, com boa resposta identificada por baixo nadir de GH no teste agudo com octreotida, hipointensidade em T2 na RM, alta expressão de SSTR2 e E-caderina, e padrão densamente granulado. Os biomarcadores são inter-relacionados, mas a associação é heterogênea, dificultando pontos de corte generalizáveis. Modelos de aprendizado de máquina com omics são promissores para maior acurácia. ## Limitações O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre possíveis vieses de seleção ou de publicação. A maioria dos estudos é retrospectiva, o que limita a inferência causal. A heterogeneidade das populações e dos métodos impede a definição de pontos de corte universalmente aplicáveis. O resumo também não especifica o número total de pacientes avaliados nem as limitações dos modelos de aprendizado de máquina mencionados. ## Aplicação no consultório Na prática clínica, os achados sugerem que o médico pode considerar fatores como nadir de GH no teste com octreotida, hipointensidade em T2, expressão de SSTR2 e E-caderina, e padrão densamente granulado ao prever a resposta aos fgSRLs. No entanto, a ausência de pontos de corte validados impede a aplicação rotineira desses preditores sem avaliação individualizada. Para a gestão do consultório, a revisão destaca a importância de incorporar ferramentas de inteligência artificial e análises ômicas em pesquisas futuras, mas ainda não há recomendação para uso clínico generalizado. O médico deve ponderar os custos e a disponibilidade desses exames, priorizando uma abordagem personalizada baseada em evidências. ## Perguntas para aprofundar - Como o teste agudo com octreotida pode ser utilizado na prática clínica para prever resposta aos fgSRLs? - Qual o papel da expressão de SSTR2 e E-caderina na decisão terapêutica da acromegalia? - Modelos de aprendizado de máquina com omics já estão validados para uso clínico na acromegalia? Tema: IA em medicina de precisão e genômica. Página: https://alphadoctor.com.br/ciencia/ia-medicina-precisao-genomica/quais-fatores-predizem-a-resposta-aos-ligantes-de-receptores-de-somatostatina/ Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.