# Como a inteligência artificial e o aprendizado de máquina têm sido aplicados na dor oncológica e qual a qualidade desses modelos?

> A revisão sistemática identificou estudos sobre IA/ML em dor oncológica, com AUC mediana global de 0,77. Modelos de random forest tiveram melhor desempenho (AUC mediana 0,81). A adesão às diretrizes TRIPOD foi de 70,7%, mas 77,3% apresentaram alto risco de viés e apenas 14% tiveram validação externa, limitando a aplicação clínica imediata.

Estudo citado: Salama V, Godinich B, Geng Y, Humbert-Vidan L, Maule L, Wahid KA et al.. Artificial Intelligence and Machine Learning in Cancer Pain: A Systematic Review. Journal of pain and symptom management. 2024. DOI: https://doi.org/10.1016/j.jpainsymman.2024.07.025. PubMed: https://pubmed.ncbi.nlm.nih.gov/39097246/

## Resposta

A dor é um sintoma complexo e multifacetado relatado pela maioria dos pacientes com câncer. Diante disso, a revisão sistemática buscou mapear como ferramentas de inteligência artificial e aprendizado de máquina (IA/ML) vêm sendo empregadas para prever desfechos relacionados à dor e auxiliar no manejo da dor oncológica.

Os estudos incluídos avaliaram diferentes aplicações. Dezenove estudos usaram IA/ML para classificar dor após terapia oncológica (AUC mediana 0,80; variação 0,76–0,94), dezoito focaram em pesquisa sobre dor oncológica (AUC mediana 0,86; variação 0,50–0,99) e sete aplicaram IA/ML no manejo da dor (AUC mediana 0,71; variação 0,47–0,89). A AUC mediana global foi 0,77.

Entre os algoritmos, os modelos de random forest apresentaram o melhor desempenho (AUC mediana 0,81), enquanto os modelos lasso tiveram a maior sensibilidade mediana (1) e as máquinas de vetores de suporte, a maior especificidade mediana (0,74). A adesão geral às diretrizes TRIPOD foi de 70,7%.

Apesar do potencial promissor, a qualidade metodológica é uma preocupação: 77,3% dos estudos apresentaram alto risco de viés, apenas 14% realizaram validação externa e 23% avaliaram aplicação clínica. Além disso, o relato de calibração dos modelos esteve ausente em 5% dos casos.

Os autores concluem que a implementação de ferramentas de IA/ML pode trazer avanços significativos na classificação, estratificação de risco e decisões de manejo da dor oncológica. No entanto, são necessárias pesquisas com foco em melhoria da qualidade, calibração dos modelos e validação clínica externa rigorosa em cenários reais de assistência à saúde para assegurar aplicação prática e confiável.

## O que o estudo mostrou

Revisão sistemática com busca em Ovid MEDLINE, EMBASE e Web of Science até setembro de 2023, incluindo quarenta e quatro estudos de 2006 a 2023. Dezenove estudos usaram IA/ML para classificar dor após terapia oncológica (AUC mediana 0,80), dezoito focaram em pesquisa sobre dor oncológica (AUC mediana 0,86) e sete no manejo da dor (AUC mediana 0,71). A AUC mediana global foi 0,77. Random forest teve melhor desempenho (AUC mediana 0,81). A adesão às diretrizes TRIPOD foi de 70,7%, com alto risco de viés em 77,3%, falta de validação externa em 14% e de aplicação clínica em 23%.

## Limitações

O resumo não informa detalhes sobre a população dos estudos, os tipos específicos de câncer ou os desfechos de dor avaliados. A qualidade metodológica é limitada: alto risco de viés na maioria dos estudos, baixa proporção de validação externa e de aplicação clínica, e relato incompleto de calibração dos modelos. Essas lacunas restringem a generalização dos achados para a prática clínica imediata.

## Aplicação no consultório

Os achados ainda não permitem incorporar ferramentas de IA/ML na rotina assistencial de forma indiscriminada, dada a falta de validação externa e o alto risco de viés. Para o médico, o estudo reforça a importância de avaliar criticamente a qualidade metodológica antes de adotar qualquer modelo preditivo. Na gestão do consultório, investir em infraestrutura de dados e acompanhar pesquisas com validação clínica rigorosa pode preparar o terreno para futuras aplicações, sem substituir o julgamento clínico.

## Perguntas para aprofundar

- Quais algoritmos de aprendizado de máquina têm mostrado melhor desempenho na predição de dor oncológica?
- Qual o impacto do alto risco de viés nos estudos de IA para dor oncológica?
- O que falta para que modelos de IA sejam validados para uso clínico na dor oncológica?

Tema: IA em oncologia. Página: https://alphadoctor.com.br/ciencia/ia-oncologia/como-a-inteligencia-artificial-e-o-aprendizado-de-maquina-tem-sido-aplicados-na/

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