# O aprendizado de máquina aplicado à multi-ômica caracteriza bem as neoplasias hematológicas?

> Uma revisão sistemática de 89 estudos mostra que o aprendizado de máquina tem desempenho promissor na caracterização molecular de cânceres hematológicos, com área sob a curva diagnóstica mediana de 0,87. No entanto, validação externa, explicabilidade e padronização ainda são limitadas, dificultando a tradução clínica segura e reprodutível.

Estudo citado: Alhamrani SQ, Ball GR, El-Sherif AA, Ahmed S, Mousa NO, Alghorayed SA et al.. Machine Learning for Multi-Omics Characterization of Blood Cancers: A Systematic Review. Cells. 2025. DOI: https://doi.org/10.3390/cells14171385. PubMed: https://pubmed.ncbi.nlm.nih.gov/40940796/

## Resposta

A revisão sistemática avaliou o uso de inteligência artificial e aprendizado de máquina na caracterização multi-ômica de neoplasias hematológicas. Foram incluídos 89 estudos, com foco em leucemia mieloide aguda, leucemia linfoblástica aguda e mieloma múltiplo. Os métodos mais empregados foram máquinas de vetores de suporte, florestas aleatórias e aprendizado profundo, com desempenho diagnóstico mediano de área sob a curva de 0,87.

Apesar do desempenho promissor, a revisão aponta lacunas importantes: apenas 23 estudos relataram integração multi-ômica, 31 realizaram validação externa e 19 abordaram explicabilidade. O aprendizado profundo alcançou a maior área sob a curva (0,91), mas ofereceu a menor explicabilidade. Esses achados indicam que a interpretabilidade dos modelos ainda é um desafio para a aplicação clínica.

Os autores destacam prioridades para avançar na área, incluindo validação externa, modelagem interpretável, avaliação harmonizada e relato padronizado com benchmarks compartilhados. Tais medidas são essenciais para permitir tradução clínica segura e reprodutível. A revisão reforça que, embora a tecnologia seja promissora, a padronização e a transparência são cruciais para que os modelos possam ser confiáveis na prática médica.

Para o médico, os resultados sugerem que ferramentas de aprendizado de máquina podem auxiliar na caracterização molecular de cânceres hematológicos, mas ainda carecem de validação robusta e interpretabilidade. A aplicação clínica rotineira exige cautela e consideração das limitações metodológicas apontadas. A revisão não fornece detalhes sobre amostras específicas ou desenhos dos estudos incluídos, limitando conclusões sobre a generalização dos achados.

## O que o estudo mostrou

Revisão sistemática que buscou estudos em quatro bases de dados, de janeiro de 2015 a dezembro de 2024, incluindo 89 estudos. A maioria focou em leucemia mieloide aguda (34), leucemia linfoblástica aguda (23) e mieloma múltiplo (18). Métodos incluíram máquinas de vetores de suporte (28), florestas aleatórias (25) e aprendizado profundo (24). Integração multi-ômica foi relatada em 23 estudos, validação externa em 31 e explicabilidade em 19. A área sob a curva diagnóstica mediana foi 0,87 (intervalo interquartil 0,81 a 0,94), com aprendizado profundo alcançando 0,91, mas com menor explicabilidade.

## Limitações

O resumo não informa detalhes sobre as características dos estudos incluídos, como tamanho amostral ou desenho específico. A revisão destaca lacunas na validação externa, explicabilidade e padronização, o que limita a generalização dos achados. A ausência de dados sobre heterogeneidade e risco de viés impede conclusões mais robustas sobre a aplicabilidade clínica dos modelos.

## Aplicação no consultório

Os achados sugerem que modelos de aprendizado de máquina podem auxiliar na caracterização molecular de neoplasias hematológicas, mas exige cautela devido à falta de validação externa e explicabilidade. Na prática clínica, é fundamental considerar a necessidade de modelos interpretáveis e padronizados. Para a gestão do consultório, investir em ferramentas validadas e com relato transparente pode evitar decisões baseadas em algoritmos não reprodutíveis, priorizando a segurança do paciente.

## Perguntas para aprofundar

- Quais são os principais desafios para a implementação clínica de modelos de aprendizado de máquina em hematologia?
- Como a explicabilidade dos modelos de aprendizado de máquina pode ser melhorada para uso clínico?
- Qual o papel da validação externa na tradução de modelos de multi-ômica para a prática oncológica?

Tema: IA em oncologia. Página: https://alphadoctor.com.br/ciencia/ia-oncologia/o-aprendizado-de-maquina-aplicado-a-multi-omica-caracteriza-bem-as-neoplasias/

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