IA em oncologia

Como a inteligência artificial tem sido aplicada no diagnóstico e na predição da síndrome dos ovários policísticos?

Resposta

A síndrome dos ovários policísticos é um dos distúrbios endócrinos mais comuns em mulheres em idade reprodutiva, e sua apresentação heterogênea e a variabilidade dos critérios diagnósticos tornam o diagnóstico e o manejo desafiadores. Diante disso, métodos de inteligência artificial, incluindo aprendizado de máquina, aprendizado profundo, IA explicável e grandes modelos de linguagem, surgiram como abordagens promissoras para preencher essas lacunas.

Esta revisão sistemática seguiu as diretrizes PRISMA 2020 e buscou PubMed, Scopus e Web of Science desde o início até março de 2025. Foram incluídos estudos que aplicaram técnicas de IA à síndrome dos ovários policísticos e relataram ao menos uma métrica de desempenho. Dois revisores fizeram triagem e extração independentes, com avaliação de qualidade por QUADAS-2 e ROBIS, e os achados foram sintetizados narrativamente nos domínios de imagem, dados clínicos e de prontuário eletrônico, e biomarcadores e ômicas.

Dos 662 registros recuperados, 80 estudos atenderam aos critérios de inclusão. Modelos baseados em redes neurais convolucionais dominaram as aplicações de imagem, com acurácias frequentemente acima de 95% e ocasionalmente entre 98% e 99%. Abordagens supervisionadas de aprendizado de máquina, especialmente florestas aleatórias e máquinas de vetores de suporte, alcançaram desempenho consistentemente alto em conjuntos de dados clínicos e bioquímicos. Estudos ômicos revelaram novos biomarcadores, como HDDC3, SDC2, MAP1LC3A e OVGP1.

Apenas cerca de um quarto dos estudos aplicou métodos de IA explicável, o que limita a transparência e a confiança clínica. Avaliações iniciais de grandes modelos de linguagem sugeriram potencial para educação de pacientes e apoio à decisão, mas destacaram riscos de viés, alucinação e falta de treinamento específico de domínio. As principais limitações entre os estudos incluíram amostras pequenas, desequilíbrio de classes, heterogeneidade metodológica e validação externa limitada.

A conclusão é que a IA oferece oportunidades substanciais para avançar no diagnóstico e na predição da síndrome dos ovários policísticos ao integrar dados multimodais e reduzir a subjetividade diagnóstica. No entanto, a adoção clínica é restringida por lacunas de interpretabilidade e validação insuficiente. As prioridades futuras incluem estudos multicêntricos amplos, relato padronizado, uso sistemático de IA explicável e avaliação criteriosa dos grandes modelos de linguagem.

O que o estudo mostrou

Trata-se de uma revisão sistemática conduzida conforme PRISMA 2020, com busca em PubMed, Scopus e Web of Science até março de 2025. Dos 662 registros recuperados, 80 estudos preencheram os critérios de inclusão. Modelos de redes neurais convolucionais predominaram em imagem, com acurácias frequentemente acima de 95% e ocasionalmente entre 98% e 99%. Aprendizado de máquina supervisionado, sobretudo florestas aleatórias e máquinas de vetores de suporte, teve alto desempenho em dados clínicos e bioquímicos. Estudos ômicos apontaram biomarcadores como HDDC3, SDC2, MAP1LC3A e OVGP1. Cerca de um quarto dos estudos usou IA explicável.

Limitações

O resumo relata limitações dos estudos incluídos: amostras pequenas, desequilíbrio de classes, heterogeneidade metodológica e validação externa limitada. Apenas cerca de um quarto dos estudos aplicou métodos de IA explicável, restringindo transparência e confiança clínica. O resumo não informa detalhes sobre a população específica dos estudos nem sobre a magnitude dos efeitos em desfechos clínicos. A síntese foi narrativa, não meta-analítica, o que limita conclusões quantitativas agregadas.

Aplicação no consultório

Para a prática clínica, os achados sugerem que ferramentas de IA podem apoiar a interpretação de exames de imagem e de dados clínicos e bioquímicos na síndrome dos ovários policísticos, mas a validação externa limitada e a escassez de IA explicável exigem cautela antes da incorporação rotineira. Na gestão do consultório, isso significa não substituir o julgamento clínico por saídas de modelos e considerar que grandes modelos de linguagem ainda não têm treinamento específico de domínio, com riscos de viés e alucinação. Investir em relato padronizado e acompanhar estudos multicêntricos pode orientar decisões futuras de adoção.

Estudo citado

Artificial intelligence in polycystic ovary syndrome: a systematic review of diagnostic and predictive applications. BMC medical informatics and decision making, 2025.
Autores: Ghaderzadeh M, Garavand A, Salehnasab C.
DOI: 10.1186/s12911-025-03255-6 · PubMed: PMID 41286838

Perguntas para aprofundar

• Quais métodos de IA explicável estão disponíveis para apoiar o diagnóstico da síndrome dos ovários policísticos?
• Como a validação externa limitada dos modelos de IA afeta a confiança do clínico?
• Quais riscos os grandes modelos de linguagem apresentam quando usados para educação de pacientes?

Mais sobre IA em oncologia

• A inteligência artificial é precisa para detectar linfoma em exames de imagem?
• 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?
• A inteligência artificial melhora a acurácia e a validade analítica em citopatologia oncológica?
• Como a inteligência artificial e o aprendizado de máquina têm sido aplicados na dor oncológica e qual a qualidade desses modelos?

Todas as perguntas sobre IA em oncologia · Todos os temas · Versão em markdown