# Qual é o desempenho real dos modelos de aprendizado de máquina e inteligência artificial na predição de toxicidade induzida por radiação em câncer de cabeça e pescoço?

> Uma revisão sistemática e meta-análise com 67 estudos e 568 modelos mostrou que os modelos de ML/AI têm poder discriminatório moderado, com AUROC agrupada de 0,76 (IC 95%: 0,73-0,78). A heterogeneidade foi substancial. A inclusão de biomarcadores de imagem melhorou o desempenho. A validação externa é necessária para avaliar a generalização.

Estudo citado: Ugwu GC, Jalali F, Liu G, Li G, Langendijk JA, Alizadeh BZ. The actual performance of ML/AI models in predicting radiation-induced toxicity in head and neck cancer: a systematic review and meta-analysis. Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology. 2026. DOI: https://doi.org/10.1016/j.radonc.2025.111350. PubMed: https://pubmed.ncbi.nlm.nih.gov/41421773/

## Resposta

A revisão sistemática e meta-análise avaliou a acurácia preditiva e a qualidade metodológica de modelos de inteligência artificial (IA) e aprendizado de máquina (ML) para prever toxicidades induzidas por radiação (RITs) em pacientes com câncer de cabeça e pescoço (HNC). Foram incluídos 67 estudos, totalizando 568 modelos, com poder discriminatório moderado e AUROC agrupada de 0,76 (IC 95%: 0,73-0,78).

Observou-se heterogeneidade substancial entre os estudos. A incorporação de biomarcadores de imagem melhorou significativamente o desempenho dos modelos. Validações prospectivas e internas mostraram desempenho comparável, enquanto a validação externa é necessária para demonstrar a verdadeira generalização.

A predominância de desenhos retrospectivos e a variabilidade na seleção de preditores podem ter introduzido viés, afetando a confiabilidade e a generalização dos modelos. A qualidade metodológica foi avaliada com a ferramenta PROBAST, e a meta-análise hierárquica multinível foi usada para estimar os valores de AUROC agrupados.

Os modelos de ML/AI mostram potencial para prever RITs em pacientes com HNC, mas limitações metodológicas restringem sua aplicabilidade. A padronização e a transparência na comunicação do desenvolvimento e validação dos modelos são essenciais para melhorar a comparabilidade entre estudos.

Pesquisas futuras devem explorar métodos de modelagem híbrida e a integração de dados clínicos, dosimétricos, radiômicos e genômicos para aumentar a acurácia preditiva. O resumo não informa detalhes sobre a população específica ou os tipos de toxicidade avaliados.

## O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu 67 estudos com 568 modelos de ML/AI para predição de toxicidades induzidas por radiação em câncer de cabeça e pescoço. A AUROC agrupada foi de 0,76 (IC 95%: 0,73-0,78), indicando poder discriminatório moderado. Houve heterogeneidade substancial. A inclusão de biomarcadores de imagem melhorou o desempenho. Validações prospectivas e internas tiveram desempenho comparável; a validação externa é necessária para generalização. O risco de viés foi avaliado com PROBAST.

## Limitações

O resumo não informa o número de pacientes incluídos nem detalhes sobre os tipos específicos de toxicidade ou populações. A predominância de desenhos retrospectivos e a variabilidade na seleção de preditores podem introduzir viés. A heterogeneidade substancial limita a interpretação dos resultados agrupados. A generalização dos achados é incerta devido à necessidade de validação externa.

## Aplicação no consultório

Os achados indicam que modelos de ML/AI para predição de toxicidade por radiação têm desempenho moderado e ainda não estão prontos para uso clínico rotineiro sem validação externa. Na prática, médicos devem interpretar tais modelos com cautela e considerar a inclusão de biomarcadores de imagem quando disponíveis. Para gestão do consultório, é importante acompanhar a evolução das ferramentas e exigir relatórios transparentes de desenvolvimento e validação antes de incorporá-las à rotina.

## Perguntas para aprofundar

- Como a validação externa de modelos de IA para toxicidade por radiação pode ser implementada na prática clínica?
- Quais biomarcadores de imagem são mais promissores para melhorar a predição de toxicidade induzida por radiação?
- Qual é o impacto da heterogeneidade metodológica na confiabilidade dos modelos de ML/AI em oncologia de cabeça e pescoço?

Tema: IA em medicina de precisão e genômica. Página: https://alphadoctor.com.br/ciencia/ia-medicina-precisao-genomica/qual-e-o-desempenho-real-dos-modelos-de-aprendizado-de-maquina-e-inteligencia/

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