Desenvolvido por pesquisadores brasileiros para prever o risco de morte em pacientes com câncer, modelo baseado em inteligência artificial apresentou alto desempenho preditivo em nove diferentes tipos de câncer. Os resultados foram publicados no ScienceDirect por Alexandre Chiavegatto Filho e colegas, demonstrando o potencial de soluções baseadas em machine learning para priorizar decisões de tratamento e alocação de recursos na saúde, especialmente em países pobres e em desenvolvimento.
Nesta análise, os pesquisadores utilizaram dados do Registro Hospitalar de Câncer (RHC) da Fundação Oncocentro de São Paulo (FOSP/SP), que acompanha pacientes atendidos no estado de São Paulo desde o ano 2000. O RHC possui dados de mais de 1 milhão de pacientes, com informações sobre diagnósticos de câncer, recidivas, presença ou não de metástases, idade e sexo, entre outras, assim como mantém dados das instituições de saúde responsáveis pela assistência oncológica, totalizando 99 variáveis.
Para a modelagem dos algoritmos foram considerados apenas dados de pacientes adultos com diagnósticos de 2014 a 2017. Foram selecionados exclusivamente pacientes de São Paulo (93%) e excluídos os casos de não-melanoma cutâneo por apresentarem baixa mortalidade. A amostra final foi composta por 29.194 pacientes, sendo 12.724 com óbitos por câncer confirmados e 16.740 com sobrevida confirmada entre 12 e 24 meses após a data do diagnóstico.
Os modelos foram inicialmente testados para todos os tipos de câncer (modelo geral) e depois para as cinco principais causas de mortalidade por câncer (pulmão/brônquios, mama, estômago, cólon e reto). Com base na crescente importância epidemiológica, dados de câncer de próstata e câncer do colo do útero também foram considerados no modelo.
Os resultados publicados no ScienceDirect mostram que a solução baseada em inteligência artificial alcançou bom desempenho em termos de especificidade e precisão em todos os nove modelos avaliados. A análise também testou o desempenho dos algoritmos nos 20% de pacientes com maior risco de mortalidade. O modelo geral teve 1749 pacientes no grupo, dos quais 1703 morreram, dando ao algoritmo uma precisão de 97,37% e recall de 100% neste grupo de alto risco. Para o modelo das 5 principais causas de morte, 659 indivíduos estavam nos 20% de pacientes de maior risco, dos quais 645 morreram, resultando em uma precisão de 97,88% e um recall de 100%.
“Descobrimos que todos os modelos atingiram AUC-ROC superior a 0,86 para prever a mortalidade por câncer usando apenas dados coletados rotineiramente. Nossos resultados também indicaram que um algoritmo geral, que incluiu toda a mortalidade por câncer, teve desempenho melhor na maioria dos casos do que algoritmos câncer específicos”, apontam os pesquisadores. “Obtivemos alto desempenho preditivo sem o uso de dados ômicos ou de imagem, o que é um resultado promissor na área de oncologia, especialmente em regiões de baixa renda”, destacam.
O primeiro autor, Gabriel Silva, lembra que a incorporação de algoritmos de inteligência artificial na prática clínica é um movimento que está se iniciando na área da saúde, que é bastante sensível. “Por este motivo, tudo tem de ser feito com cautela, responsabilidade e compromisso com questões éticas. Os algoritmos podem auxiliar a prática clínica e a gestão de saúde, fornecendo insumos para as tomadas de decisão tanto a nível individual, quanto na gestão e programação das políticas de saúde.
O avanço de estratégias de big data mostra que algoritmos podem ser integrados a dispositivos móveis, prontuários eletrônicos ou recursos on-line para ajudar os médicos a tomar decisões mais informadas sobre opções de tratamento e alocar recursos de saúde com mais eficiência.
O estudo está disponível em acesso aberto e tem como primeiro autor o pesquisador Gabriel Silva, da Faculdade de Saúde Pública da Universidade de São Paulo, e como coautores a participação de pesquisadores da Fundação Oncocentro e da Divisão de Doenças Crônicas Não Transmissíveis (DVDCNT) da Secretaria de Estado da Saúde de São Paulo.
Referência: GFS Silva, LS Duarte, MM Shirassu, SV Peres, MA de Moraes, A Chiavegatto Filho, Machine learning for longitudinal mortality risk prediction in patients with malignant neoplasm in São Paulo, Brazil, Artificial Intelligence in the Life Sciences, Volume 3, 2023, 100061, ISSN 2667-3185, https://doi.org/10.1016/j.ailsci.2023.100061
