IA em oncologia

Como o aprendizado de máquina pode apoiar a decisão clínica no câncer de pâncreas potencialmente ressecável?

Resposta

A revisão sistemática analisou como o aprendizado de máquina tem sido usado para apoiar a tomada de decisão clínica no manejo do câncer de pâncreas potencialmente ressecável. Seguindo as diretrizes PRISMA, os autores realizaram buscas eletrônicas em MEDLINE, Embase, PubMed e Cochrane Database e avaliaram os estudos com a lista de verificação CHARMS.

De 89.959 citações recuperadas, apenas seis estudos atenderam aos critérios de inclusão. Três eram modelos de análise de decisão de Markov comparando terapia neoadjuvante versus cirurgia inicial. Os outros três previam tempo de sobrevida usando modelagem bayesiana, rede neural artificial e algoritmos de aprendizado de máquina como rede bayesiana, árvores de decisão, k-vizinhos mais próximos e redes neurais artificiais.

Os principais problemas metodológicos identificados foram fontes de dados limitadas, o que restringe a generalização e potencializa viés; ausência de validação externa; e necessidade de transparência nos métodos de validação interna, amostragem consecutiva e seleção de preditores candidatos.

Os autores apontam que a direção futura da pesquisa depende de ampliar a visão da equipe multidisciplinar, incluindo profissionais de computação e ciência de dados, com algoritmos desenvolvidos em conjunto com clínicos e vistos como auxílios, e não substitutos, à tomada de decisão clínica tradicional.

Para o médico, o estudo reforça que as ferramentas de aprendizado de máquina ainda são incipientes nesse cenário e devem ser interpretadas com cautela, considerando suas limitações metodológicas antes de qualquer incorporação à prática.

O que o estudo mostrou

Trata-se de uma revisão sistemática conduzida conforme as diretrizes PRISMA, com buscas em MEDLINE, Embase, PubMed e Cochrane Database e avaliação pelo checklist CHARMS. Foram recuperadas 89.959 citações, das quais apenas seis estudos preencheram os critérios de inclusão. Três eram modelos de análise de decisão de Markov comparando terapia neoadjuvante versus cirurgia inicial; três previam tempo de sobrevida usando modelagem bayesiana, rede neural artificial e algoritmos como rede bayesiana, árvores de decisão, k-vizinhos mais próximos e redes neurais artificiais.

Limitações

O resumo não informa detalhes sobre a amostra dos estudos incluídos nem sobre o desenho individual de cada um além do que foi descrito. As principais limitações apontadas pelos autores foram fontes de dados limitadas, que restringem a generalização e potencializam viés, ausência de validação externa e falta de transparência nos métodos de validação interna, amostragem consecutiva e seleção de preditores candidatos.

Aplicação no consultório

Na prática clínica e na gestão do consultório, o médico deve encarar os algoritmos de aprendizado de máquina como ferramentas auxiliares, e não substitutas, da decisão clínica tradicional no câncer de pâncreas potencialmente ressecável. Antes de incorporar qualquer modelo à rotina, é prudente verificar se há validação externa e transparência metodológica. A colaboração com profissionais de computação e ciência de dados pode apoiar o desenvolvimento de ferramentas mais adequadas ao contexto assistencial.

Estudo citado

Personalized Pancreatic Cancer Management: A Systematic Review of How Machine Learning Is Supporting Decision-making. Pancreas, 2019.
Autores: Bradley A, van der Meer R, McKay C.
DOI: 10.1097/MPA.0000000000001312 · PubMed: PMID 31090660

Perguntas para aprofundar

• Quais são os principais problemas metodológicos dos modelos de aprendizado de máquina no câncer de pâncreas?
• Como os modelos de decisão de Markov têm sido aplicados no câncer de pâncreas potencialmente ressecável?
• Por que a validação externa é importante antes de adotar algoritmos na prática clínica?

Mais sobre IA em oncologia

• O aprendizado de máquina aplicado à multi-ômica caracteriza bem as neoplasias hematológicas?
• A inteligência artificial é confiável para o diagnóstico de lesões intraósseas dos ossos gnáticos?
• O aprendizado de máquina supera os modelos tradicionais de regressão na predição em câncer de endométrio?
• Modelos de aprendizado de máquina e radiômica baseados em imagem já estão prontos para prever desfechos de quimiorradioterapia em câncer de esôfago?
• Como a inteligência artificial tem sido usada para prever o prognóstico de cânceres ginecológicos e qual a qualidade metodológica desses modelos?

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