Aplicações de machine learning em cirurgia do câncer do trato gastrointestinal superior: o que a literatura sistemática mostra?
Resposta curta: Esta revisão sistemática identificou 27 estudos sobre machine learning em cirurgia oncológica do trato gastrointestinal superior, com risco de viés moderado na maioria. As aplicações incluíram predição de metástase, fatores de risco, sobrevida e complicações pós-operatórias. Os algoritmos parecem contribuir para predizer complicações e curso da doença, mas a natureza retrospectiva dos estudos exige validação prospectiva.
Resposta
A revisão sistemática buscou avaliar o papel do machine learning (ML) dentro da cirurgia do trato gastrointestinal superior para malignidades, tema ainda pouco explorado na literatura. Foram pesquisadas as bases PubMed, EMBASE, Cochrane e Web of Science, incluindo apenas estudos que descrevessem aplicação de ML nesse contexto cirúrgico. A qualidade metodológica foi avaliada pela ferramenta Cochrane de risco de viés, e o desempenho preditivo dos modelos foi analisado por acurácia e área sob a curva.
De um total de 1821 artigos, 27 preencheram os critérios de inclusão. A maioria recebeu escore moderado de risco de viés. Os tipos de algoritmos mais frequentes foram redes neurais (n = 9), múltiplos modelos de machine learning (n = 8) e random forests (n = 3). Os demais envolveram radiômica (n = 3), máquinas de vetores de suporte (n = 3) e árvores de decisão (n = 1).
As finalidades do ML incluíram predominantemente predição de metástase, detecção de fatores de risco, predição de sobrevida e predição de complicações pós-operatórias. Outras aplicações foram predição de estadiamento TNM, resposta à quimioterapia, ressecabilidade tumoral e terapia ótima. Esses achados sugerem que os algoritmos podem auxiliar em decisões clínicas perioperatórias.
Os autores concluem que os algoritmos de machine learning parecem contribuir para a predição de complicações pós-operatórias e do curso da doença após cirurgia do trato gastrointestinal superior para malignidades. No entanto, devido ao caráter retrospectivo dos estudos de ML, esses resultados necessitam de ensaios clínicos ou estudos prospectivos para validar essa aplicação. A revisão não informa dados sobre amostra total de pacientes ou limitações específicas dos estudos incluídos.
Para o médico brasileiro, a revisão reforça que o ML é uma ferramenta promissora, mas ainda não validada prospectivamente. A aplicação clínica rotineira requer cautela, e a gestão do consultório pode se beneficiar do conhecimento sobre essas tecnologias para discussão de casos e encaminhamentos, sem substituir o julgamento clínico.
O que o estudo mostrou
Revisão sistemática com busca em quatro bases de dados, incluindo 27 estudos que descrevem machine learning em cirurgia do trato gastrointestinal superior para malignidades. A maioria teve risco de viés moderado. Os algoritmos mais usados foram redes neurais (n = 9), múltiplos modelos de ML (n = 8) e random forests (n = 3), com finalidades de predição de metástase, fatores de risco, sobrevida e complicações pós-operatórias, entre outras. O resumo não informa o número total de pacientes ou o desempenho numérico dos modelos.
Limitações
O resumo não informa o número total de pacientes incluídos, nem detalha as limitações individuais dos estudos. A natureza retrospectiva da maioria dos estudos de machine learning é destacada pelos autores como principal limitação, exigindo validação em ensaios clínicos ou estudos prospectivos. O risco de viés moderado na maioria dos estudos também limita a robustez das conclusões.
Aplicação no consultório
A revisão sugere que algoritmos de machine learning podem, no futuro, auxiliar na predição de complicações pós-operatórias e do curso da doença em cirurgia oncológica do trato gastrointestinal superior. No entanto, a aplicação clínica rotineira ainda não está validada prospectivamente. Para a gestão do consultório, o médico pode usar esse conhecimento para discutir riscos com a equipe multidisciplinar e para embasar encaminhamentos, sem adotar modelos preditivos como ferramenta decisória isolada. A incorporação de tecnologia deve ser cautelosa e baseada em evidências robustas.
Estudo citado
Machine learning applications in upper gastrointestinal cancer surgery: a systematic review. Surgical endoscopy, 2023.
Autores: Bektaş M, Burchell GL, Bonjer HJ, van der Peet DL.
DOI: 10.1007/s00464-022-09516-z · PubMed: PMID 35953684
Perguntas para aprofundar
- Quais algoritmos de machine learning têm sido mais estudados em cirurgia oncológica do trato gastrointestinal superior?
- Qual é o risco de viés dos estudos de machine learning em cirurgia do trato gastrointestinal superior?
- Quais são as principais aplicações clínicas do machine learning nesse contexto cirúrgico?
Mais sobre IA em oncologia
- Modelos de aprendizado de máquina superam biomarcadores clínicos tradicionais na predição de resposta à imunoterapia em cânceres gastrointestinais?
- Como a inteligência artificial e os gêmeos digitais estão sendo aplicados no cuidado do câncer de próstata?
- A inteligência artificial é eficaz na detecção e classificação da leucemia em imagens de esfregaço de sangue periférico?
- Como o ácido hialurônico em sistemas de entrega de fármacos pode direcionar mitocôndrias no tratamento do câncer, segundo uma análise por aprendizado de máquina?
- A aprendizagem por reforço pode melhorar o diagnóstico e o tratamento do câncer de pulmão na prática clínica?
Todas as perguntas sobre IA em oncologia · Todos os temas · Versão em markdown