# Modelos de inteligência artificial conseguem prever a sobrevida de pacientes com câncer de pulmão não pequenas células tratados com imunoterapia?

> Sim. Uma revisão sistemática com meta-análise mostrou que modelos de IA identificam grupos de alto risco com pior sobrevida global (HR combinado de 2,33) e pior sobrevida livre de progressão (HR de 2,95). Dados proteômicos e genômicos, especialmente com aprendizado profundo, apresentaram maior acurácia prognóstica.

Estudo citado: Pramatya SH, Sastri DM, Kencono Wungu CD, Setiawan HW, Amin IM, Zufar MF et al.. The future of immunotherapy: Can artificial intelligence predict the survival of lung cancer patients? A systematic review and meta-analysis. Respiratory medicine. 2025. DOI: https://doi.org/10.1016/j.rmed.2025.108492. PubMed: https://pubmed.ncbi.nlm.nih.gov/41241154/

## Resposta

A imunoterapia revolucionou o tratamento do câncer de pulmão não pequenas células (NSCLC), mas prever quais pacientes realmente se beneficiarão continua sendo um desafio. Nesse contexto, a inteligência artificial (IA) surge como uma ferramenta promissora para estratificar o risco e orientar decisões clínicas. Uma revisão sistemática com meta-análise publicada na Respiratory Medicine avaliou a acurácia prognóstica de modelos de IA baseados em dados radiômicos, genômicos e proteômicos para prever sobrevida global (OS) e sobrevida livre de progressão (PFS) em pacientes com NSCLC tratados com imunoterapia.

Os resultados são encorajadores: grupos de alto risco identificados pela IA tiveram pior OS (HR combinado de 2,33; IC 95%: 2,13-2,56) e pior PFS (HR de 2,95; IC 95%: 2,31-3,77). Entre as modalidades de dados, a proteômica forneceu a maior acurácia prognóstica para OS (HR de 6,16; IC 95%: 2,03-18,70). Além disso, abordagens de aprendizado profundo superaram consistentemente os modelos tradicionais de aprendizado de máquina, destacando seu potencial para a oncologia de precisão.

Apesar dos achados promissores, a heterogeneidade entre os estudos foi substancial (I² de 65% para OS e 75% para PFS), o que pode limitar a aplicabilidade imediata dos resultados. A revisão também não detalha as características individuais dos estudos incluídos, como tamanho amostral por estudo ou critérios específicos de inclusão. Além disso, a maioria dos estudos é retrospectiva, e a validação prospectiva ainda é necessária antes da integração clínica.

Para o médico que atua no consultório, esses achados sugerem que a IA pode, no futuro, auxiliar na seleção de pacientes para imunoterapia, evitando tratamentos potencialmente ineficazes e custosos. No entanto, a implementação rotineira exige padronização dos métodos de IA e estudos multicêntricos prospectivos. Por enquanto, a ferramenta não está pronta para uso clínico generalizado, mas representa um avanço importante na medicina de precisão.

Em resumo, a IA, especialmente com dados proteômicos e genômicos e arquiteturas de aprendizado profundo, demonstra forte capacidade preditiva em desfechos de imunoterapia para NSCLC. Futuros trabalhos devem focar em validação prospectiva e padronização para viabilizar a integração clínica.

## O que o estudo mostrou

Revisão sistemática e meta-análise seguindo PRISMA 2020, com busca em cinco bases de dados, incluindo estudos que somam 19.189 pacientes. Modelos de IA (machine learning e deep learning) baseados em dados radiômicos, genômicos e proteômicos foram avaliados para prever OS e PFS em NSCLC tratado com imunoterapia. Grupos de alto risco tiveram pior OS (HR=2,33; IC95% 2,13-2,56; I²=65%) e PFS (HR=2,95; IC95% 2,31-3,77; I²=75%). Dados proteômicos mostraram maior acurácia para OS (HR=6,16; IC95% 2,03-18,70; I²=0%). Aprendizado profundo superou machine learning tradicional.

## Limitações

O resumo não informa detalhes sobre o desenho individual dos estudos incluídos, nem sobre possíveis vieses de publicação. A heterogeneidade foi substancial (I² de 65% para OS e 75% para PFS), o que pode comprometer a generalização dos resultados. Além disso, a maioria dos estudos provavelmente é retrospectiva, e o resumo não menciona validação prospectiva ou padronização dos modelos de IA, etapas essenciais antes da aplicação clínica.

## Aplicação no consultório

Os achados ainda não permitem incorporar modelos de IA na rotina clínica para decisões sobre imunoterapia em NSCLC. No entanto, o médico pode acompanhar o desenvolvimento dessa tecnologia, que promete melhorar a seleção de pacientes e a gestão de recursos. Para o consultório, a implicação prática é que, no futuro, exames proteômicos ou genômicos poderão ser usados com algoritmos de IA para estratificar risco, mas isso exige validação prospectiva e padronização. Até lá, a decisão permanece baseada em fatores clínicos e biomarcadores estabelecidos.

## Perguntas para aprofundar

- Quais são os principais desafios para implementar modelos de IA na prática clínica oncológica?
- Como a heterogeneidade entre estudos afeta a confiança nos resultados da meta-análise?
- Quais modalidades de dados (radiômica, genômica, proteômica) são mais promissoras para prever resposta à imunoterapia?

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

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