# Modelos de radiômica e aprendizado de máquina aplicados à RM pré-tratamento são eficazes para prever sobrevida em glioblastoma?

> Sim, modelos de radiômica e aprendizado de máquina baseados em RM pré-tratamento mostram bom desempenho na predição de sobrevida em glioblastoma, com AUC agrupada de 0,78 para sobrevida livre de progressão e 0,81 para sobrevida global. Modelos de aprendizado de máquina superam ligeiramente os de radiômica para sobrevida livre de progressão.

Estudo citado: Jastaniah ZO, Alsubhi MA, Noorelahi Y, Almutairi RNH, Alasmari SSN, Talebi SH et al.. A Systematic Review and Meta-analysis of Survival Prediction in Glioblastoma Patients using Advanced MRI Techniques. Current medical imaging. 2026. DOI: https://doi.org/10.2174/0115734056396670251114101647. PubMed: https://pubmed.ncbi.nlm.nih.gov/42083954/

## Resposta

A revisão sistemática e meta-análise avaliou o desempenho preditivo de técnicas de radiômica e aprendizado de máquina aplicadas a exames de RM pré-tratamento para prognóstico de glioblastoma. Foram incluídos estudos totalizando 2.342 pacientes, com dados extraídos de MEDLINE, EMBASE e Cochrane Central Register of Controlled Trials até março de 2024.

Os resultados mostraram que modelos de aprendizado de máquina baseados em RM apresentaram alta performance preditiva para prognóstico de glioblastoma, com AUC variando de 0,71 a 0,92, enquanto abordagens de radiômica tiveram AUC de 0,68 a 0,88. A meta-análise de 12 estudos resultou em AUC agrupada de 0,78 (IC 95%: 0,74-0,82; p < 0,001) para predição de sobrevida livre de progressão, com heterogeneidade moderada (I2 = 59%).

Para sobrevida global, quatro estudos mostraram ausência de heterogeneidade (I2 = 0%) e AUC agrupada de 0,81 (IC 95%: 0,77-0,85; p < 0,001). A análise de subgrupo revelou que modelos de aprendizado de máquina (AUC: 0,83 [IC 95%: 0,78-0,87]) superaram estatisticamente os modelos baseados em radiômica (AUC: 0,76 [IC 95%: 0,71-0,80]) para predição de sobrevida livre de progressão (p = 0,02).

Os autores discutem que técnicas avançadas de RM quantitativa, particularmente radiômica, demonstram desempenho superior à RM convencional na caracterização do glioblastoma, melhorando a segmentação tumoral, diferenciação de subtipos e prognóstico. A captura da heterogeneidade intratumoral pelas características radiômicas leva a maior acurácia diagnóstica. O formato DICOM aprimora o desempenho dos modelos por meio de integração padronizada de dados.

A radiômica mostra-se promissora como biomarcador não invasivo para orientar tratamento personalizado; no entanto, desafios como variabilidade interobservador, heterogeneidade metodológica e falta de padronização permanecem. A integração futura com dados moleculares e a validação por meio de grandes estudos prospectivos são essenciais para a implementação clínica.

## O que o estudo mostrou

Revisão sistemática e meta-análise que avaliou radiômica e aprendizado de máquina em RM pré-tratamento para predizer sobrevida em glioblastoma, incluindo 2.342 pacientes. A AUC para modelos de aprendizado de máquina variou de 0,71 a 0,92 e para radiômica de 0,68 a 0,88. A meta-análise de 12 estudos para sobrevida livre de progressão resultou em AUC agrupada de 0,78 (IC 95%: 0,74-0,82; I2 = 59%). Quatro estudos para sobrevida global mostraram AUC agrupada de 0,81 (IC 95%: 0,77-0,85; I2 = 0%). Modelos de aprendizado de máquina superaram radiômicos para sobrevida livre de progressão (p = 0,02).

## Limitações

O resumo não informa detalhes sobre as limitações dos estudos primários, como viés de seleção ou de referência. A heterogeneidade moderada (I2 = 59%) na meta-análise de sobrevida livre de progressão sugere variabilidade entre os estudos. O resumo também não informa o número de estudos para sobrevida global nem características dos pacientes. A falta de padronização metodológica e a variabilidade interobservador são citadas como desafios. Não há informação sobre validação externa ou prospectiva dos modelos.

## Aplicação no consultório

Os achados sugerem que modelos de radiômica e aprendizado de máquina podem auxiliar na estratificação prognóstica de pacientes com glioblastoma, potencialmente orientando decisões terapêuticas personalizadas. Na prática clínica, o médico pode considerar a incorporação dessas ferramentas como apoio à discussão de prognóstico, desde que validados localmente. Para a gestão do consultório, é importante avaliar a disponibilidade de softwares de análise de imagem e a padronização de protocolos de RM. A implementação requer cautela devido à heterogeneidade metodológica e à necessidade de validação prospectiva.

## Perguntas para aprofundar

- Qual o desempenho da radiômica comparada à RM convencional na caracterização do glioblastoma?
- Modelos de aprendizado de máquina superam modelos de radiômica na predição de sobrevida em glioblastoma?
- Quais os desafios para a implementação clínica de modelos de radiômica e aprendizado de máquina no prognóstico de glioblastoma?

Tema: IA em oncologia. Página: https://alphadoctor.com.br/ciencia/ia-oncologia/modelos-de-radiomica-e-aprendizado-de-maquina-aplicados-a-rm-pre-tratamento-sao/

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