A inteligência artificial já permite prever quais pacientes se beneficiam de inibidores de checkpoint imune na prática clínica?
Resposta curta: A revisão sistemática identificou 90 estudos que usam IA para prever eficácia de inibidores de checkpoint imune, com destaque para genômica e dados do mundo real. A maioria usou aprendizado de máquina padrão. Nenhum estudo forneceu evidência de alto nível para mudança imediata de prática; são necessários ensaios prospectivos com IA planejada desde o início.
Resposta
A revisão sistemática reuniu 90 estudos publicados que aplicaram inteligência artificial para prever a eficácia de inibidores de checkpoint imune em pacientes com câncer. A maioria foi publicada entre 2021 e 2022, refletindo o crescimento recente do campo. Os dados analisados incluíram genômica, radiômica, patologia digital, dados do mundo real e abordagens multimodais.
Os resultados mostram que a IA expandiu o horizonte para descoberta de biomarcadores. Em radiômica e patologia digital, novas assinaturas preditivas foram identificadas. Na genômica, o escopo avançou além da genômica tradicional para transcriptômica e epigenômica. A integração de múltiplas fontes de dados tem permitido o desenvolvimento de meta-biomarcadores complexos.
Apesar do potencial, nenhum dos estudos incluídos adotou um desenho prospectivo com metodologia de IA desde o início; todos realizaram a análise de IA de forma post hoc. Além disso, nenhum forneceu evidência de alto nível que justifique mudança imediata na prática clínica. Os autores concluem que são necessários ensaios prospectivos com planejamento a priori para cobrir todo o ciclo de vida desses biomarcadores de software, desde o desenvolvimento e validação até a integração na prática.
Para o médico brasileiro, isso significa que as ferramentas de IA para predição de resposta a imunoterapia ainda são promissoras, mas não estão prontas para uso rotineiro. A aplicação clínica exige validação prospectiva e integração em fluxos de trabalho. O estudo reforça a importância de acompanhar a literatura e aguardar evidências mais robustas antes de incorporar tais tecnologias na decisão terapêutica.
Em termos de gestão do consultório, investir em infraestrutura para captura e organização de dados de imagem, patologia e genômica pode preparar o terreno para futuras implementações. No entanto, a adoção imediata de algoritmos preditivos não é sustentada pelas evidências atuais. A revisão destaca a necessidade de parcerias com centros de pesquisa para participação em estudos prospectivos.
O que o estudo mostrou
Revisão sistemática de 90 estudos originais revisados por pares que avaliaram predição de eficácia de inibidores de checkpoint imune com inteligência artificial. Desses, 37 usaram dados genômicos, 20 radiômicos, 8 patômicos, 20 do mundo real e 5 multimodais. Aprendizado de máquina padrão foi usado em 72% dos estudos, aprendizado profundo em 22% e ambos em 6%. O câncer mais estudado foi o de pulmão não pequenas células (36%), seguido de melanoma (16%); 25% eram pan-câncer. Nenhum estudo teve desenho prospectivo com IA desde o início; todos fizeram análise post hoc. Novos biomarcadores foram identificados, mas sem evidência de alto nível para mudança imediata de prática.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre heterogeneidade entre eles. Todos os estudos eram retrospectivos ou análises post hoc, sem desenho prospectivo com IA planejada a priori. Não há informação sobre validação externa dos modelos ou sobre desempenho clínico em coortes independentes. O resumo também não descreve limitações específicas de cada modalidade de dados.
Aplicação no consultório
Na prática clínica, os achados indicam que ferramentas de IA para predição de resposta a imunoterapia ainda não devem ser incorporadas rotineiramente. O médico deve continuar baseando decisões em biomarcadores validados e diretrizes atuais. Para a gestão do consultório, é prudente acompanhar a evolução das pesquisas e considerar a participação em estudos prospectivos. A organização de dados de imagem, patologia e genômica pode facilitar futuras implementações, mas não há evidência para investimento imediato em softwares preditivos.
Estudo citado
Artificial intelligence for predictive biomarker discovery in immuno-oncology: a systematic review. Annals of oncology : official journal of the European Society for Medical Oncology, 2024.
Autores: Prelaj A, Miskovic V, Zanitti M, Trovo F, Genova C, Viscardi G, Rebuzzi SE, Mazzeo L, Provenzano L, Kosta S, Favali M, Spagnoletti A, Castelo-Branco L, Dolezal J, Pearson AT, Lo Russo G, Proto C, Ganzinelli M, Giani C, Ambrosini E, Turajlic S, Au L, Koopman M, Delaloge S, Kather JN, de Braud F, Garassino MC, Pentheroudakis G, Spencer C, Pedrocchi ALG.
DOI: 10.1016/j.annonc.2023.10.125 · PubMed: PMID 37879443
Perguntas para aprofundar
- Quais modalidades de dados de IA têm mostrado maior potencial para prever resposta a imunoterapia?
- Como a revisão sistemática avaliou a qualidade dos estudos de IA em immuno-oncologia?
- Quais são os próximos passos necessários para validar biomarcadores de IA antes da prática clínica?
Mais sobre IA em patologia digital
- Como a inteligência artificial tem sido aplicada no diagnóstico, tratamento e manejo perioperatório do câncer de mama, e qual a qualidade da evidência disponível?
- Como a inteligência artificial está sendo aplicada na patologia oncológica e quais são as perspectivas futuras?
- A inteligência artificial já consegue prever a resposta ao BCG em câncer de bexiga não músculo-invasivo com utilidade clínica?
- Modelos de inteligência artificial aplicados a imagens de lâminas inteiras são acurados para prever mutações de EGFR em câncer de pulmão?
- Qual é a base biológica das assinaturas prognósticas de radiômica e aprendizado profundo em pacientes com câncer de pulmão, e qual a qualidade dos estudos disponíveis?
Todas as perguntas sobre IA em patologia digital · Todos os temas · Versão em markdown