# A inteligência artificial pode prever recorrência no câncer de bexiga não músculo-invasivo com precisão suficiente para uso clínico?

> A revisão sistemática mostra que algoritmos de aprendizado de máquina, especialmente redes neurais, alcançam acurácias de 65-97,5% na predição de recorrência do câncer de bexiga não músculo-invasivo, com melhor desempenho em dados multimodais. No entanto, a generalização limitada e a natureza 'caixa-preta' dos modelos ainda dificultam a aplicação clínica rotineira.

Estudo citado: Abbas S, Shafik R, Soomro N, Heer R, Adhikari K. AI predicting recurrence in non-muscle-invasive bladder cancer: systematic review with study strengths and weaknesses. Frontiers in oncology. 2024. DOI: https://doi.org/10.3389/fonc.2024.1509362. PubMed: https://pubmed.ncbi.nlm.nih.gov/39839785/

## Resposta

O câncer de bexiga não músculo-invasivo (CBNMI) apresenta alta taxa de recorrência, estimada em 70-80%, o que impõe grande ônus aos pacientes e torna seu manejo um dos mais onerosos entre os cânceres. As ferramentas preditivas atuais baseiam-se em sistemas de pontuação que frequentemente superestimam o risco e carecem de acurácia. Nesse contexto, a inteligência artificial (IA) e o aprendizado de máquina (ML) surgem como abordagens promissoras para aprimorar a predição de recorrência, utilizando dados clínicos e moleculares.

Esta revisão sistemática abrangente examinou criticamente estruturas baseadas em ML para predizer recorrência de CBNMI. A busca sistemática da literatura focou na robustez estatística e eficácia algorítmica dos estudos, categorizados por modalidades de dados (radiômica, clínica, histopatológica, genômica) e tipos de modelos de ML, como redes neurais, aprendizado profundo e random forests. Cada estudo foi analisado quanto a pontos fortes, fracos, métricas de desempenho e limitações, com ênfase em generalização, interpretabilidade e custo-efetividade.

Os resultados indicam que algoritmos de ML demonstram potencial significativo, com redes neurais alcançando acurácias de 65-97,5%, particularmente com conjuntos de dados multimodais, e máquinas de vetores de suporte com média em torno de 75%. Modelos que combinam múltiplos tipos de dados superaram consistentemente abordagens de modalidade única. Contudo, persistem desafios como a generalização limitada devido a pequenos conjuntos de dados e a natureza 'caixa-preta' dos modelos avançados. Esforços para melhorar a explicabilidade, como SHapley Additive ExPlanations (SHAP), mostram-se promissores, mas necessitam de refinamento para uso clínico.

A conclusão destaca as nuances, complexidades e contextos que influenciam o avanço e a adoção real dessas técnicas de IA na oncologia de precisão. A revisão fornece insights acionáveis para refinar algoritmos, otimizar o uso de dados multimodais e preencher a lacuna entre acurácia preditiva e utilidade clínica. Esta análise rigorosa serve como um roteiro para avançar aplicações de IA no cuidado oncológico, ressaltando a necessidade de esforços colaborativos e conjuntos de dados robustos para traduzir esses avanços em benefícios tangíveis para o manejo dos pacientes.

Para o médico brasileiro, a revisão reforça que a IA pode, no futuro, auxiliar na estratificação de risco de recorrência do CBNMI, mas ainda não está pronta para substituir os métodos convencionais. A incorporação clínica exigirá validação externa, interpretabilidade e integração com dados locais, além de considerar custos e infraestrutura.

## O que o estudo mostrou

Trata-se de uma revisão sistemática que analisou estudos sobre modelos de aprendizado de máquina para predição de recorrência no câncer de bexiga não músculo-invasivo. Os estudos foram categorizados por modalidade de dados (radiômica, clínica, histopatológica, genômica) e tipo de modelo (redes neurais, aprendizado profundo, random forests). Redes neurais alcançaram acurácias de 65-97,5%, especialmente com dados multimodais, e máquinas de vetores de suporte tiveram média de 75%. Modelos multimodais superaram os de modalidade única. O resumo não informa o número de estudos incluídos nem o tamanho amostral total.

## Limitações

O resumo não informa o número de estudos incluídos, o tamanho das amostras ou a qualidade metodológica individual. As principais limitações apontadas são a generalização limitada devido a pequenos conjuntos de dados e a natureza 'caixa-preta' dos modelos avançados, o que dificulta a interpretabilidade. Além disso, a revisão não fornece dados sobre custo-efetividade ou validação externa dos modelos em diferentes populações.

## Aplicação no consultório

Na prática clínica, os achados ainda não permitem incorporar a IA na rotina de predição de recorrência do CBNMI. O médico deve continuar utilizando os sistemas de pontuação disponíveis, cientes de suas limitações. Para o consultório, é importante acompanhar o desenvolvimento de modelos multimodais e ferramentas de explicabilidade, como SHAP, que podem futuramente auxiliar na tomada de decisão compartilhada. Investimentos em infraestrutura de dados e treinamento da equipe podem ser considerados para preparar a adoção futura.

## Perguntas para aprofundar

- Quais são as limitações dos sistemas de pontuação atuais para recorrência do câncer de bexiga não músculo-invasivo?
- Como a inteligência artificial pode auxiliar na estratificação de risco de recorrência do câncer de bexiga não músculo-invasivo?
- O que é a técnica SHAP e como ela pode melhorar a interpretabilidade dos modelos de IA na urologia oncológica?

Tema: IA em patologia digital. Página: https://alphadoctor.com.br/ciencia/ia-patologia-digital/a-inteligencia-artificial-pode-prever-recorrencia-no-cancer-de-bexiga-nao/

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