# Modelos de aprendizado de máquina superam biomarcadores clínicos tradicionais na predição de resposta à imunoterapia em cânceres gastrointestinais?

> Uma revisão sistemática com meta-análise identificou que a maioria dos modelos de aprendizado de máquina não superou biomarcadores clínicos tradicionais, exceto um painel de imuno-oncologia com AUC de 0,83. Genes como M6PR, IDO1, NRP1 e MAGEA3 mostraram desempenho promissor, necessitando validação adicional.

Estudo citado: Szincsak S, Király P, Szegvari G, Horváth M, Dora D, Lohinai Z. Predicting Immunotherapy Efficacy with Machine Learning in Gastrointestinal Cancers: A Systematic Review and Meta-Analysis. International journal of molecular sciences. 2025. DOI: https://doi.org/10.3390/ijms26135937. PubMed: https://pubmed.ncbi.nlm.nih.gov/40649716/

## Resposta

A revisão sistemática e meta-análise avaliou o desempenho preditivo de modelos de aprendizado de máquina (ML) para resposta à imunoterapia em cânceres gastrointestinais, comparando-os a biomarcadores clínicos tradicionais (TCBs). Foram incluídos nove artigos, abrangendo estudos pan-câncer, câncer gástrico e colorretal. A maioria utilizou perfis de expressão gênica por RNA tumoral e modelos de classificação ou regressão.

Os resultados mostraram que, em geral, os modelos de ML não superaram os TCBs. No entanto, um estudo que empregou um painel selecionado de genes de imuno-oncologia alcançou AUC de 0,83, superando o TCB (AUC = 0,8) e a análise de componentes principais (AUC = 0,81). Além disso, a validação em uma coorte de câncer gástrico metastático tratada com inibidores de checkpoint imune (n = 45) revelou que os genes M6PR, IDO1, NRP1 e MAGEA3 apresentaram desempenho semelhante ou superior a biomarcadores estabelecidos como PD-L1 e MSI.

Os autores recomendam investigação adicional e validação experimental desses genes, dado seu forte poder preditivo para resposta à imunoterapia em câncer gástrico. Também sugerem que estudos bem desenhados, com amostras maiores e modelos de ML não lineares, podem melhorar a seleção de biomarcadores.

A aplicação clínica desses achados ainda é limitada, pois os modelos de ML não demonstraram superioridade consistente sobre os biomarcadores tradicionais. A identificação de um painel gênico com melhor desempenho é promissora, mas requer validação prospectiva antes de ser incorporado à prática.

Para o consultório, a mensagem é que a seleção de pacientes para imunoterapia em cânceres gastrointestinais permanece baseada em biomarcadores clínicos validados, e os modelos de ML ainda não estão prontos para uso rotineiro. A pesquisa contínua é essencial para refinar essas ferramentas.

## O que o estudo mostrou

Revisão sistemática e meta-análise registrada no PROSPERO (CRD42023465917) que buscou estudos na PubMed sobre algoritmos de ML aplicados a pacientes com câncer gastrointestinal tratados com inibidores de checkpoint imune, usando perfis de expressão gênica por RNA tumoral. Nove artigos foram elegíveis: três pan-câncer, cinco em câncer gástrico e um em câncer colorretal. Os desfechos foram resposta à imunoterapia ou sobrevida. A validação em uma coorte de câncer gástrico metastático (n = 45) mostrou que, em dois casos, o método de regressão logística superou os resultados publicados (0,74/0,831 e 0,67/0,735). Um painel de imuno-oncologia com AUC = 0,83 superou o TCB (AUC = 0,8) e a PCA (AUC = 0,81). Genes M6PR, IDO1, NRP1 e MAGEA3 tiveram desempenho semelhante ou superior a PD-L1 e MSI.

## Limitações

O resumo não informa o desenho detalhado dos estudos incluídos, nem o tamanho amostral total. A validação foi realizada em uma única coorte de câncer gástrico com n = 45, limitando a generalização. Não há informação sobre heterogeneidade ou viés de publicação. Os autores mencionam a necessidade de estudos com amostras maiores e modelos não lineares.

## Aplicação no consultório

Os achados reforçam que, atualmente, os biomarcadores clínicos tradicionais continuam sendo a base para seleção de pacientes para imunoterapia em cânceres gastrointestinais. Modelos de ML ainda não estão validados para uso rotineiro. No consultório, o médico deve manter-se cético quanto a promessas de superioridade desses modelos e aguardar validação prospectiva. A gestão do consultório pode incluir o acompanhamento de novas evidências, mas sem alterar a prática baseada em diretrizes estabelecidas.

## Perguntas para aprofundar

- Quais biomarcadores clínicos tradicionais são atualmente recomendados para seleção de imunoterapia em câncer gástrico?
- Como validar um painel gênico preditivo de resposta à imunoterapia antes de aplicá-lo na prática clínica?
- Quais são as limitações dos modelos de aprendizado de máquina em oncologia de precisão?

Tema: IA em oncologia. Página: https://alphadoctor.com.br/ciencia/ia-oncologia/modelos-de-aprendizado-de-maquina-superam-biomarcadores-clinicos-tradicionais/

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