Onconews - IA: valor preditivo de sobrevida a longo prazo no CPCNP

O desenvolvimento de modelos de inteligência artificial (IA) explicáveis e econômicos garante acessibilidade e transparência e promove a tomada de decisões conjuntas entre clínicos e pacientes no câncer de pulmão. A conclusão é de pesquisadores do instituto de tumores de Milão, que aplicaram ferramentas de IA aos dados clínicos e laboratoriais do estudo APOLLO11, com resultados demonstrando que a IA foi capaz de prever a sobrevida a longo prazo em 1031 pacientes com CPCNP tratados com imuno-oncológicos.

Prever a eficácia da imunoterapia (IO) de longo prazo no câncer de pulmão de células não pequenas (CPCNP) é um desafio crítico no tratamento personalizado. “O prognóstico preciso da IO é essencial, principalmente para pacientes mais jovens, pois apoia o planejamento de vida. A IO oferece melhor qualidade de vida do que a quimioterapia, enfatizando a necessidade de previsões confiáveis. Avanços recentes na análise de dados clínicos e laboratoriais do mundo real com tecnologias de IA demonstraram seu papel no desenvolvimento de modelos preditivos para resultados de IO”, argumentam os autores

Nesta análise, foram considerados dados de 1.031 pacientes com CPCNP estágio IIIB-IV tratados com IO em seis instituições italianas no estudo APOLLO11 (NCT05550961). A análise de sobrevida baseada em aprendizado de máquina (ML) (modelos Cox-ML e ML de sobrevida) foi usada para avaliar a sobrevida global (SG), enquanto modelos de classificação (regressão logística e floresta aleatória) previram a sobrevida de longo prazo (SG ≥ 24 meses). Vários modelos incorporando ajustes sensíveis ao custo foram implementados para otimizar o desempenho na identificação de pacientes com sobrevida de longo prazo. Técnicas de explicabilidade identificaram características-chave.

Os resultados foram apresentados por Vanja Miskovic, pesquisadora do instituto de tumores de Milão. Os melhores modelos foram COX-ML e Extra Survival Trees, ambos alcançando um índice c de 0,7 (±0,02) e 0,68 no conjunto de validação cruzada e teste, respectivamente. Alto status performance ECOG, derrame pleural, metástases hepáticas e ósseas, PD-L1 negativo e histologia escamosa foram confirmados pela análise SHAP como fortemente associados a maior risco. O modelo de classificação previu longa sobrevida com precisão de 0,78 e AUC de 0,77. O SHAP identificou baixo ECOG PS, idade mais jovem, alta contagem de linfócitos e baixo NLR (Neutrophil-to-lymphocyte ratio) como variáveis-chave para longa sobrevida.

“Nossos resultados, baseados apenas em dados clínicos e laboratoriais, alinham-se com sistemas de pontuação estabelecidos como LIPI e EPSILON. As metodologias de IA melhoraram o desempenho, demonstrando o valor dos dados do mundo real e seu potencial para maior otimização. Identificar pacientes com sobrevida de longo prazo a IO é fundamental, permitindo que os médicos ofereçam orientação personalizada, especialmente para pacientes mais jovens com planos de vida substanciais”, concluem os autores, destacando que o desenvolvimento de modelos de IA explicáveis e econômicos garante acessibilidade e transparência e promove a tomada de decisões conjuntas entre clínicos e pacientes.

Identificação de ensaio clínico: Ensaio APOLLO11 (NCT05550961).