Na prática clínica, existe atualmente uma variedade de nomogramas para prever metástases linfonodais (LNM) do câncer de próstata. Ao mesmo tempo, alguns estudiosos introduziram o aprendizado de máquina (machine learning - ML) na previsão de LNM do câncer de próstata. Revisão sistemática e meta-análise que buscou explorar o valor preditivo de vários nomogramas e modelos de ML recém-desenvolvidos para LNM em pacientes com câncer de próstata foi publicada por Wang et al. na Prostate Cancer and Prostatic Disease. “Esta publicação evidencia a contínua evolução das ferramentas preditivas na oncologia”, avalia Luiza Aleixo (foto), oncologista do HB Onco, em São José do Rio Preto (SP).
Os pesquisadores revisaram as evidências disponíveis até 1º de novembro de 2022 apartir das bases de dados da Cochrane, PubMed, Embase e Web of Science. O risco de viés nos estudos incluídos foi avaliado usando a ferramenta de avaliação de risco de viés do modelo de previsão (PROBAST). O índice de concordância (C-index), sensibilidade e especificidade foram adotados para avaliar a precisão preditiva dos modelos.
Trinta e um estudos (18.803 pacientes) foram incluídos. Os autores descrevem que 7 tipos de nomogramas atualmente recomendados, dominados pelos nomogramas Briganti e MSKCC, foram abordados nos estudos incluídos. Para modelos de machine learning recém-desenvolvidos, o índice C para previsão LNM no conjunto de treinamento e conjunto de validação foi de 0,846 [IC 95% (0,818, 0,873)] e 0,862 [IC 95% (0,819–0,905)], respectivamente.
Os autores descrevem que a maioria dos modelos de ML no conjunto de treinamento foi baseada em Regressão Logística (LR), com sensibilidade de 0,78 [IC 95% (0,70, 0,85)] e especificidade de 0,85 [IC 95% (0,77, 0,90)] no conjunto de treinamento, e sensibilidade de 0,81 [IC 95% (0,67, 0,89)] e especificidade de 0,82 [IC 95% (0,75, 0,88)] no conjunto de validação. Para os nomogramas recomendados, o índice C no conjunto de validação foi de 0,745 [IC 95% (0,701, 0,790)] para o nomograma Briganti e 0,714 [IC 95% (0,662, 0,765)] para o nomograma MSKCC.
“A precisão preditiva do ML é superior aos nomogramas clinicamente recomendados existentes e atualizações apropriadas podem ser realizadas nos nomogramas existentes de acordo com situações especiais”, destacam os autores.
Luiza observa que atualmente existem mais de sete tipos de nomogramas recomendados. Entretanto, apesar dos esforços significativos, a complexidade do tema impede uma padronização desses nomogramas até o momento. “Baseando-se na consistência dos dados, que envolveram 18.803 pacientes e apresentaram um índice de precisão notavelmente superior para os modelos de machine learning, estes se destacam como prováveis ferramentas primordiais para avaliações futuras”, afirma.
“A incorporação do machine learning no campo oncológico já não é mais uma promessa, e sim uma realidade. Como oncologistas, temos o dever de compreender e integrar essas tecnologias em nossa rotina. Frente às crescentes complexidades na oncologia, acredito que modelos que nos auxiliam em valores prognósticos e preditivos são os melhores exemplos desta incorporação em nossa prática clínica", conclui Luiza.
Referência: Wang, H., Xia, Z., Xu, Y. et al. The predictive value of machine learning and nomograms for lymph node metastasis of prostate cancer: a systematic review and meta-analysis. Prostate Cancer Prostatic Dis (2023). https://doi.org/10.1038/s41391-023-00704-z
