# Modelos de radiômica com aprendizado de máquina são eficazes para prever a mutação H3K27M em gliomas?

> Sim, a meta-análise mostrou que modelos de radiômica por ressonância magnética com aprendizado de máquina apresentam bom desempenho diagnóstico, com AUC agrupada de 0,87, sensibilidade de 92% e especificidade de 89% para prever a mutação H3K27M em gliomas.

Estudo citado: Hajikarimloo B, Tos SM, Kooshki A, Alvani MS, Eftekhar MS, Hasanzade A et al.. Machine learning radiomics for H3K27M mutation prediction in gliomas: A systematic review and meta-analysis. Neuroradiology. 2025. DOI: https://doi.org/10.1007/s00234-025-03597-y. PubMed: https://pubmed.ncbi.nlm.nih.gov/40163098/

## Resposta

A mutação H3K27M em gliomas tem importância clínica, pois sua identificação não invasiva pode auxiliar na otimização de estratégias terapêuticas. A revisão sistemática e meta-análise avaliou o desempenho de modelos de aprendizado de máquina baseados em radiômica de ressonância magnética para prever essa mutação.

Foram incluídos 15 estudos. A meta-análise principal demonstrou uma AUC agrupada de 0,87 (IC 95%: 0,77-0,97), sensibilidade de 92% (IC 95%: 83%-96%) e especificidade de 89% (IC 95%: 86%-91%). A curva SROC indicou AUC de 0,921, com sensibilidade estimada de 0,898 e taxa de falso positivo de 0,126, sugerindo alta sensibilidade e baixa taxa de falso positivo.

Na análise de subgrupo, modelos de aprendizado profundo (deep learning) apresentaram maior sensibilidade, mas sem superioridade estatística em relação ao aprendizado de máquina tradicional (P = 0,6). Por outro lado, a especificidade agrupada dos modelos de aprendizado de máquina foi significativamente maior (P < 0,01).

A meta-regressão revelou um valor de 78,1 (IC 95%: 33,3-183,5), embora o resumo não detalhe a que essa medida se refere. Os autores concluem que modelos de radiômica por ressonância magnética com aprendizado de máquina estão associados a um desempenho diagnóstico promissor na predição da mutação H3K27M em gliomas.

## O que o estudo mostrou

Revisão sistemática e meta-análise com 15 estudos. A meta-análise principal mostrou AUC agrupada de 0,87 (IC 95%: 0,77-0,97), sensibilidade de 92% (IC 95%: 83%-96%) e especificidade de 89% (IC 95%: 86%-91%). A curva SROC indicou AUC de 0,921, sensibilidade estimada de 0,898 e taxa de falso positivo de 0,126. Modelos de deep learning tiveram maior sensibilidade, mas sem superioridade estatística sobre aprendizado de máquina (P = 0,6); a especificidade dos modelos de aprendizado de máquina foi significativamente maior (P < 0,01).

## Limitações

O resumo não informa as características dos estudos incluídos, como tamanho amostral, critérios de seleção ou risco de viés. Também não detalha a heterogeneidade entre os estudos nem o significado da medida 78,1 da meta-regressão. Essas lacunas limitam a generalização dos achados e a comparação entre diferentes modelos.

## Aplicação no consultório

Os resultados sugerem que a radiômica com aprendizado de máquina pode apoiar a predição não invasiva da mutação H3K27M em gliomas, auxiliando na discussão de estratégias terapêuticas. Na prática clínica, o médico pode considerar essa ferramenta como complementar à avaliação convencional, mas deve estar atento à necessidade de validação externa e à disponibilidade local da tecnologia. Para a gestão do consultório, investir em infraestrutura de imagem e parcerias com serviços de radiologia pode ser relevante, sem substituir o julgamento clínico.

## Perguntas para aprofundar

- Qual é o desempenho diagnóstico da radiômica por ressonância magnética na predição de mutações em gliomas?
- Modelos de aprendizado profundo são superiores aos de aprendizado de máquina tradicional na predição de mutações em gliomas?
- Quais são as limitações metodológicas das meta-análises sobre radiômica em neuro-oncologia?

Tema: IA em oncologia. Página: https://alphadoctor.com.br/ciencia/ia-oncologia/modelos-de-radiomica-com-aprendizado-de-maquina-sao-eficazes-para-prever-a/

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