# Como a inteligência artificial pode prever a sobrevida de pacientes com glioblastoma?

> Uma revisão sistemática de 107 artigos (2015–2024) mostrou que aprendizado de máquina e profundo são usados para prever sobrevida no glioblastoma, com random forest como método mais comum e a combinação de radiômica e dados clínicos como entrada mais frequente. A predição pode auxiliar no planejamento terapêutico personalizado e na comunicação com pacientes e famílias.

Estudo citado: Poursaeed R, Mohammadzadeh M, Safaei AA. Survival prediction of glioblastoma patients using machine learning and deep learning: a systematic review. BMC cancer. 2024. DOI: https://doi.org/10.1186/s12885-024-13320-4. PubMed: https://pubmed.ncbi.nlm.nih.gov/39731064/

## Resposta

O glioblastoma multiforme (GBM) é um tumor cerebral agressivo, com sobrevida mediana de 12 a 15 meses, e cerca de 200.000 mortes anuais no mundo. A heterogeneidade da doença faz com que cada paciente tenha desfechos distintos, tornando a predição de sobrevida uma ferramenta potencialmente útil para personalizar o cuidado.

Métodos de inteligência artificial, como aprendizado de máquina e aprendizado profundo, têm sido aplicados à predição de sobrevida em diversos cânceres. Nesta revisão sistemática, os autores sumarizaram o estado da arte para o GBM, considerando diferentes tipos de dados de entrada: características clínicas, marcadores moleculares, características de imagem, radiômica, dados ômicos ou combinações.

Seguindo as diretrizes PRISMA, foram revisados 107 artigos publicados entre 2015 e 2024. A análise abordou fontes de dados, métodos, métricas de desempenho e desfechos. O random forest foi o método mais popular, e a combinação de radiômica com dados clínicos foi a entrada mais comum.

Os autores destacam que a predição acurada de sobrevida pode permitir planejamento terapêutico ideal e personalizado, apoiar pacientes e familiares na tomada de decisões informadas sobre cuidado e qualidade de vida, e auxiliar pesquisadores na descoberta de biomarcadores e mecanismos relevantes da doença.

A revisão reforça o potencial da IA na neuro-oncologia, mas não detalha no resumo as limitações dos estudos incluídos nem a heterogeneidade metodológica. A aplicação clínica rotineira ainda requer validação e padronização.

## O que o estudo mostrou

Revisão sistemática seguindo diretrizes PRISMA, com busca em bases de dados de 2015 a 2024, incluindo 107 artigos. Foram analisadas fontes de dados, métodos, métricas de desempenho e desfechos. O random forest foi o método mais popular, e a combinação de radiômica e dados clínicos foi a entrada mais comum. O resumo não informa a amostra total de pacientes nem os valores de desempenho dos modelos.

## Limitações

O resumo não informa as limitações dos estudos primários, a qualidade metodológica, o risco de viés ou a heterogeneidade entre as populações. Também não são apresentadas métricas de desempenho agregadas nem validação externa dos modelos. Essas informações são necessárias para julgar a aplicabilidade clínica dos achados.

## Aplicação no consultório

A predição de sobrevida com IA pode apoiar o planejamento terapêutico personalizado e a comunicação prognóstica com pacientes e familiares, mas ainda não substitui o julgamento clínico. No consultório, é importante conhecer as ferramentas disponíveis e suas limitações, além de considerar a combinação de dados clínicos e radiômicos como abordagem promissora. A gestão pode incluir investimentos em infraestrutura de dados e capacitação, mas a implementação rotineira requer validação local.

## Perguntas para aprofundar

- Quais métodos de aprendizado de máquina são mais usados para prever sobrevida no glioblastoma?
- A combinação de radiômica e dados clínicos melhora a predição de sobrevida em glioblastoma?
- Quais são as limitações dos modelos de IA para predição de sobrevida em glioblastoma?

Tema: IA em oncologia. Página: https://alphadoctor.com.br/ciencia/ia-oncologia/como-a-inteligencia-artificial-pode-prever-a-sobrevida-de-pacientes-com/

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