Revisão sistemática da literatura e meta-análise diagnóstica avaliaram a eficácia dos algoritmos de aprendizado de máquina multimodais na previsão da pneumonite por radiação em pacientes com câncer de pulmão. Os resultados estão em artigo de Chen et al. na BMC Cancer e mostram que informações-chave extraídas por inteligência artificial melhoraram a precisão e a confiabilidade da previsão, facilitando o diagnóstico precoce da pneumonite radioinduzida. “Ao identificar mais cedo indivíduos de alto risco, esses modelos podem melhorar o atendimento, permitindo estratégias de tratamento personalizadas para aprimorar os resultados e a qualidade de vida dos pacientes”, analisam os autores.
Neste estudo, o objetivo foi avaliar a precisão diagnóstica de modelos de aprendizado de máquina que incorporam recursos multimodais para prever pneumonite por radiação em câncer de pulmão, a partir de uma revisão sistemática e meta-análise.
Os pesquisadores buscaram sistematicamente estudos relevantes identificados nas principais bases de dados (PubMed, Web of Science, Embase e Cochrane Library) de outubro de 2003 a dezembro de 2023. Estudos adicionais foram localizados por meio da revisão de bibliografias e sites relevantes. Dois pesquisadores independentes selecionaram títulos, resumos e artigos de texto completo, de acordo com critérios de inclusão e exclusão predefinidos. Os autores descrevem que os principais desfechos, incluindo sensibilidade combinada, especificidade, razão de verossimilhança positiva (PLR), razão de verossimilhança negativa (NLR), razão de probabilidade diagnóstica (DOR) e área sob a curva (AUC), foram calculados usando o software STATA MP-64 e modelo de efeitos aleatórios. Meta-análise foi conduzida para sintetizar medidas de precisão diagnóstica.
A base de análise considerou 1.406 pacientes com câncer de pulmão primário incluídos nesta revisão sistemática, extraindo dados de 9 estudos. Modelos de aprendizado de máquina no diagnóstico de pneumonite por radiação demonstraram sensibilidade de 0,74 [0,58–0,85] e especificidade de 0,91 [0,87–0,95]. Os resultados revelam que a razão de verossimilhança positiva (PLR) foi de 8,69 [5,21–14,50], a razão de verossimilhança negativa (NLR) foi de 0,28 [0,16–0,49] enquanto a razão de probabilidade diagnóstica (DOR) foi de 30,73 [11,96–78,97]. A área sob a curva (AUC) foi de 0,93 [0,90–0,95], indicando excelente desempenho diagnóstico, destacam os autores.
Em conclusão, os modelos de aprendizado de máquina que incorporam características multimodais demonstraram 75% de precisão na previsão de pneumonite por radiação moderada a grave. Esses resultados demonstram que, ao integrar a capacidade do algoritmo de aprendizado de máquina (ML) à mineração de big data, é possível construir um modelo preditivo combinando recursos multimodais, como genética, imagem e fatores celulares.
A íntegra do artigo de Chen et al. na BMC Cancer está disponível em acesso aberto.
