Estudo brasileiro publicado no periódico Cancer Medicine buscou desenvolver métodos preditivos de sobrevida para pacientes com câncer de pulmão de células não pequenas avançado utilizando ferramentas de machine learning. O oncologista Mateus Trinconi Cunha (na foto, à esquerda), do ICESP, é o primeiro autor do trabalho, que conta com Gilberto de Castro Jr. como autor sênior.
No estudo, foram avaliadas 83 características (demográficas, histopatológicas, presença de mutações de EGFR, clínicas, laboratoriais, avaliação radiológica e clínica de composição corporal e força muscular, e questionários de qualidade de vida e caquexia) de 106 pacientes com câncer de pulmão de células não pequenas (CPCNP) estágio IV virgens de tratamento com performance status ECOG >1. Machine learning automatizado foi usado para selecionar um modelo e otimizar hiperparâmetros. Os pesquisadores também realizaram redução de dimensionalidade para gerar um segundo modelo mais acessível (lite). O modelo lite também foi validado em uma segunda coorte prospectiva independente (N = 42), e a análise de rede foi realizada para avaliar as relações entre diferentes variáveis, assim como diferenças de centralidade e conectividade entre pacientes com sobrevida curta (≤90 dias) ou longa.
Resultados
O método selecionado foi o Classificador ExtraTrees, com estatística C de 0,82 (p < 0,01) e acurácia de 0,81 (p = 0,01) na coorte de descoberta. O modelo lite, contando com apenas 16 das 83 variáveis originais, obteve estatística C de 0,84 (p < 0,01) e acurácia de 0,75 (p = 0,039) na coorte de descoberta, e estatística C de 0,706 (p < 0,01) e acurácia de 0,714 (p < 0,01) na coorte prospectiva independente. A análise de redes mostrou que houve maior interação entre características relacionadas a caquexia, inflamação e qualidade de vida nos pacientes com sobrevida curta .
Em síntese, os resultados demonstraram que machine learning pode auxiliar na avaliação prognóstica do CPCNP avançado. “O modelo gerado com um número reduzido de variáveis apresentou alta acessibilidade e métricas razoáveis. Características relacionadas à qualidade de vida, caquexia e performance status tiveram maior correlação e escores de importância, sugerindo que desempenham um papel em estágios mais avançados da doença, de acordo com o raciocínio biológico já descrito”, destacaram os autores.
“Esse estudo abre a possibilidade para se começar a testar métodos baseados em inteligência artificial para auxiliar na tomada de decisão e potencialmente poupar pacientes limítrofes de receberem tratamentos dos quais não se beneficiariam, reduzindo toxicidade biológica e financeira. Além disso, o trabalho enfatiza a importância de variáveis clínicas a estimativa da sobrevida dos pacientes”, conclui Cunha.
O trabalho foi parcialmente financiado pela FAPESP e CNPq, e seus resultados iniciais foram apresentados na 2021 World Conference on Lung Cancer (https://doi.org/10.1016/j.jtho.2021.08.038).
O estudo prospectivo está registrado em ClinicalTrials.gov; NCT04306094.
Referência: Cunha MT, de Souza Borges AP, Carvalho Jardim V, Fujita A, de Castro G. Predicting survival in metastatic non- small cell lung cancer patients with poor ECOG- PS: A single- arm prospective study. Cancer Med. 2022; 00:1-11. doi: 10.1002/cam4.5254
