A inteligência artificial pode otimizar a triagem e o manejo da desnutrição em pacientes oncológicos?
Resposta curta: Sim. Revisão sistemática com estudos somando 52.228 pacientes mostrou que modelos de IA tiveram alta acurácia na detecção de desnutrição (AUC >0,80), superaram ferramentas de triagem convencionais e melhoraram adesão dietética e reduziram internações não planejadas. A integração clínica ainda requer padronização dos modelos.
Resposta
A desnutrição é uma complicação frequente em pacientes com câncer, com prevalência que pode chegar a 80% dependendo do tipo de tumor, estágio e tratamento. A identificação precoce e a estratificação de risco são essenciais para intervenções nutricionais eficazes. Nesse contexto, a inteligência artificial (IA) tem sido explorada como ferramenta auxiliar na avaliação e no manejo nutricional.
Esta revisão sistemática avaliou o papel da IA na identificação e no manejo da desnutrição em pacientes oncológicos, abrangendo três domínios: avaliação e predição do estado nutricional, desfechos clínicos e funcionais, e monitoramento da composição corporal e caquexia. Foram incluídos estudos totalizando 52.228 pacientes, com qualidade avaliada por ferramentas padronizadas.
Os resultados mostraram que modelos de IA baseados em aprendizado de máquina, como árvores de decisão, florestas aleatórias e máquinas de vetores de suporte, superaram ferramentas de triagem convencionais na detecção de desnutrição, com área sob a curva superior a 0,80. Modelos de aprendizado profundo aplicados a imagens médicas alcançaram alta acurácia de segmentação (coeficiente Dice de 0,92 a 0,94), permitindo detecção precoce de caquexia.
Além disso, sistemas de dietista virtual impulsionados por IA melhoraram a adesão dietética (84%) e reduziram internações não planejadas. Fluxos de trabalho aprimorados por IA agilizaram encaminhamentos para dietistas, com redução de 2,4 dias no tempo de encaminhamento. Esses achados sugerem potencial da IA para otimizar a triagem, o monitoramento e as intervenções nutricionais personalizadas.
A integração da IA nos cuidados nutricionais oncológicos pode melhorar desfechos e otimizar a alocação de recursos. No entanto, a heterogeneidade dos modelos e a necessidade de padronização e validação clínica limitam a aplicação imediata. Pesquisas futuras devem focar na padronização e na garantia de aplicabilidade clínica dos modelos de IA.
O que o estudo mostrou
Revisão sistemática com busca em quatro bases de dados, incluindo estudos quantitativos e 52.228 pacientes, categorizados em três domínios. Modelos de IA apresentaram alta acurácia preditiva na detecção de desnutrição (AUC >0,80). Algoritmos de aprendizado de máquina superaram ferramentas de triagem convencionais. Modelos de aprendizado profundo em imagens médicas atingiram coeficiente Dice de 0,92 a 0,94 para segmentação, permitindo detecção precoce de caquexia. Sistemas de dietista virtual melhoraram adesão dietética (84%) e reduziram internações não planejadas. Fluxos com IA reduziram tempo de encaminhamento para dietista em 2,4 dias.
Limitações
O resumo não informa detalhes sobre a heterogeneidade dos estudos incluídos, possíveis vieses de publicação ou limitações metodológicas específicas. A necessidade de padronização dos modelos de IA e de validação clínica adicional é mencionada, mas o resumo não aprofunda essas limitações. A aplicabilidade dos achados a diferentes contextos clínicos e populações não é discutida.
Aplicação no consultório
Os achados sugerem que a IA pode auxiliar na triagem nutricional de pacientes oncológicos, com potencial para melhorar a detecção precoce e a estratificação de risco. Na gestão do consultório, a implementação de sistemas de IA para triagem e monitoramento pode otimizar o fluxo de encaminhamentos para nutricionistas e reduzir internações não planejadas. No entanto, a adoção requer validação local e integração com sistemas existentes, além de considerar a necessidade de padronização dos modelos.
Estudo citado
Artificial Intelligence in the Management of Malnutrition in Cancer Patients: A Systematic Review. Advances in nutrition (Bethesda, Md.), 2025.
Autores: Sguanci M, Palomares SM, Cangelosi G, Petrelli F, Sandri E, Ferrara G, Mancin S.
DOI: 10.1016/j.advnut.2025.100438 · PubMed: PMID 40334987
Perguntas para aprofundar
- Como a IA pode auxiliar na triagem nutricional de pacientes oncológicos na prática clínica?
- Quais são os desafios para implementar modelos de IA no manejo da desnutrição em oncologia?
- A IA supera as ferramentas tradicionais de triagem nutricional em pacientes com câncer?
Mais sobre IA em oncologia
- Como a inteligência artificial tem sido aplicada na enfermagem oncológica e o que isso muda na prática clínica?
- Como a inteligência artificial tem sido aplicada no diagnóstico e na predição da síndrome dos ovários policísticos?
- Biomarcadores sanguíneos derivados de inteligência artificial são confiáveis para o diagnóstico de câncer de ovário?
- A inteligência artificial melhora a acurácia e a validade analítica em citopatologia oncológica?
- A inteligência artificial é eficaz no diagnóstico e manejo de condições ovarianas, incluindo câncer e endocrinologia reprodutiva?
Todas as perguntas sobre IA em oncologia · Todos os temas · Versão em markdown