# Modelos de machine learning são eficazes na predição de pneumonite por radiação e pneumonite por inibidor de checkpoint em pacientes com câncer de pulmão?

> Sim, modelos de machine learning mostram forte desempenho na predição de pneumonite por radiação (RP) e pneumonite por inibidor de checkpoint (CIP). Modelos que integram dosiômica e radiômica apresentam desempenho superior para RP, enquanto modelos híbridos combinando radiômica e características clínicas fornecem excelente valor preditivo para CIP.

Estudo citado: Wang S, Wang K, Lin J. Predictive value of machine learning for radiation pneumonitis and checkpoint inhibitor pneumonitis in lung cancer patients: a systematic review and meta-analysis. Scientific reports. 2025. DOI: https://doi.org/10.1038/s41598-025-05505-z. PubMed: https://pubmed.ncbi.nlm.nih.gov/40596105/

## Resposta

A revisão sistemática e meta-análise reuniu estudos com pacientes com câncer de pulmão para avaliar o valor preditivo de modelos de machine learning (ML) na pneumonite por radiação (RP) e pneumonite por inibidor de checkpoint (CIP). A maioria dos estudos focou na predição precoce de RP, seguida por CIP e dois estudos sobre diferenciação entre RP e CIP.

Os resultados da meta-análise mostraram que os modelos baseados em dosiômica, radiômica e radiômica combinada com características clínicas para predição de RP apresentaram c-index de 0,82 (IC 95%: 0,76-0,87), 0,80 (IC 95%: 0,71-0,89) e 0,90 (IC 95%: 0,86-0,94), respectivamente. Para CIP, o c-index do modelo de características clínicas foi de 0,83 (IC 95%: 0,81-0,85), enquanto o modelo integrado de radiômica e características clínicas alcançou c-index de 0,86 (IC 95%: 0,80-0,92).

Esses achados indicam que modelos de ML têm bom desempenho preditivo para ambas as condições, com destaque para a integração de diferentes fontes de dados. Modelos que combinam dosiômica e radiômica mostram performance superior para RP, e modelos híbridos de radiômica com características clínicas fornecem excelente valor preditivo para CIP.

A avaliação do risco de viés foi realizada com a ferramenta PROBAST, e análises de subgrupo exploraram variáveis como radiômica, dosiômica e características clínicas. No entanto, o resumo não detalha as limitações individuais dos estudos incluídos nem a heterogeneidade entre eles.

Para o médico, esses resultados sugerem que modelos de ML podem auxiliar na identificação precoce de pacientes com maior risco de pneumonite, potencialmente orientando decisões clínicas e estratégias de monitoramento. Contudo, a aplicação clínica requer validação externa e consideração das limitações metodológicas.

## O que o estudo mostrou

Revisão sistemática e meta-análise que avaliou modelos de machine learning para predição de pneumonite por radiação (RP) e pneumonite por inibidor de checkpoint (CIP) em pacientes com câncer de pulmão. Para RP, modelos baseados em dosiômica, radiômica e radiômica+clínica apresentaram c-index de 0,82, 0,80 e 0,90, respectivamente. Para CIP, modelos clínicos e radiômica+clínica tiveram c-index de 0,83 e 0,86. O risco de viés foi avaliado pelo PROBAST.

## Limitações

O resumo não informa detalhes sobre as limitações dos estudos incluídos, como heterogeneidade entre as populações, variações nos protocolos de tratamento ou critérios diagnósticos. Também não são descritas as limitações da própria revisão, como possível viés de publicação ou qualidade metodológica dos estudos primários. A aplicabilidade dos modelos em diferentes contextos clínicos não é discutida.

## Aplicação no consultório

Os achados sugerem que modelos de ML podem ser ferramentas úteis para estratificar o risco de pneumonite em pacientes com câncer de pulmão submetidos a radioterapia ou imunoterapia. Na prática clínica, isso poderia auxiliar na personalização do monitoramento e na tomada de decisão sobre ajustes terapêuticos. Para a gestão do consultório, a implementação desses modelos requer infraestrutura para coleta e processamento de dados de radiômica, dosiômica e clínicos, além de validação local. O médico deve considerar a incorporação criteriosa dessas ferramentas, aguardando diretrizes e validação prospectiva.

## Perguntas para aprofundar

- Qual é o desempenho de modelos de machine learning baseados em radiômica para predição de pneumonite por radiação em câncer de pulmão?
- Modelos que combinam dados clínicos e radiômicos são superiores aos modelos clínicos isolados na predição de pneumonite por inibidor de checkpoint?
- Como o risco de viés foi avaliado nos estudos de modelos preditivos de pneumonite em câncer de pulmão?

Tema: IA em oncologia. Página: https://alphadoctor.com.br/ciencia/ia-oncologia/modelos-de-machine-learning-sao-eficazes-na-predicao-de-pneumonite-por-radiacao/

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