JUNTA DE ANDALUCÍA - Arquivo
MADRID 26 out. (EUROPA PRESS) -
Modelos de aprendizado de máquina baseados em dados de saúde coletados rotineiramente, como exames de sangue, histórico médico e fatores relacionados ao estilo de vida, poderiam ajudar a identificar as pessoas com maior risco de desenvolver vários dos tipos mais comuns de câncer, de acordo com um estudo internacional apresentado no Congresso da Sociedade Europeia de Oncologia Médica (ESMO, na sigla em inglês).
Os pesquisadores desenvolveram cerca de 500 modelos de aprendizado de máquina para prever o risco de desenvolver 20 tipos comuns de câncer. Para isso, utilizaram dados de 463.620 participantes do Biobanco do Reino Unido (UK Biobank), que foram acompanhados por aproximadamente 18 anos.
Nesse período, 57.055 participantes desenvolveram câncer. Os modelos basearam-se em diversas variáveis, como histórico médico, fatores relacionados ao estilo de vida, exames de sangue e dados genéticos e metabolômicos.
Para avaliar a capacidade dos modelos de prever o risco de câncer em diferentes populações, os pesquisadores os validaram com dados de participantes da Escócia e do País de Gales, bem como de 42.036 pessoas incluídas no programa de pesquisa norte-americano “All of Us” e de mais de três milhões de pessoas do banco de dados japonês “JMDC”.
Além disso, para minimizar a possível influência de doenças ainda não diagnosticadas no início do estudo, os casos de câncer detectados durante o primeiro ano de acompanhamento foram excluídos da análise correspondente.
Os modelos superaram os métodos estatísticos tradicionais, embora sua capacidade preditiva tenha variado de acordo com o tipo de câncer. Para um resultado combinado que incluía os tipos de câncer cujo risco podia ser estimado a partir de dados clínicos de rotina, eles alcançaram uma área sob a curva ROC (AUROC) de 0,83 em 15 anos. Essa métrica oscila entre 0,5, o que indica uma capacidade de discriminação equivalente ao acaso, e 1,0, o que corresponde a uma discriminação perfeita.
Os resultados foram promissores para os cânceres de pulmão, esôfago e fígado, enquanto a capacidade preditiva foi mais limitada para os de ovário, mama e colo do útero. Na leucemia mieloide aguda e no mieloma múltiplo, o desempenho dos modelos diminuiu à medida que o horizonte de previsão foi ampliado.
Segundo os autores, isso sugere que algumas previsões de curto prazo poderiam estar detectando sinais precoces de tumores já presentes, embora ainda não tivessem sido diagnosticados.
Grande parte da capacidade preditiva dos modelos baseou-se nos resultados de exames de sangue de rotina e no histórico clínico. Os exames de sangue continuaram a fornecer informações preditivas para os cânceres diagnosticados mais de cinco anos depois, enquanto a incorporação de dados genéticos e metabolômicos melhorou apenas ligeiramente o desempenho dos modelos.
Além disso, a equipe desenvolveu o “PRE-Screen”, uma ferramenta projetada para que os agentes de inteligência artificial (IA) baseados em grandes modelos de linguagem (LLM, na sigla em inglês) possam executar os modelos de previsão de risco de forma sistemática e coerente. Os agentes que utilizaram essa ferramenta obtiveram resultados consideravelmente melhores do que aqueles que realizaram as previsões sem esse apoio.
PODERIA CONTRIBUIR PARA ORIENTAR PROGRAMAS DE TRIAGEM E PREVENÇÃO
“Em determinados tipos de câncer, esses modelos poderiam ser utilizados como ferramentas de pré-triagem de baixo custo, com base em dados que já são coletados rotineiramente na prática clínica”, afirmou o autor principal do estudo, Paul-Henry Koop, do Centro Else Kröner Fresenius de Saúde Digital da Universidade Técnica de Dresden (Alemanha).
O pesquisador destacou que esses modelos poderiam contribuir para orientar os programas de rastreamento e as intervenções destinadas a reduzir o risco de câncer.
Por sua vez, o diretor de pesquisa do Inria Sophia Antipolis, da Universidade da Côte d’Azur (França), Marco Lorenzi, destacou a necessidade de realizar mais estudos de validação para avaliar a confiabilidade dos modelos, sua capacidade de generalizar os resultados para outras populações e a possível presença de vieses.
“O protocolo de análise automatizada proposto neste estudo poderia ser uma ferramenta útil para estabelecer prioridades entre os pacientes, favorecer a detecção precoce e avaliar o risco. Isso poderia contribuir para reduzir a carga assistencial e aliviar a pressão sobre o sistema de saúde”, concluiu Lorenzi.
Esta notícia foi traduzida por um tradutor automático