Uma equipe do Centro de Câncer da Universidade de Cincinnati descreveu uma abordagem assistida por inteligência artificial que combina métodos estatísticos estabelecidos com deep learning para prever a sobrevivência ao câncer de mama. O trabalho, publicado no Journal of Statistical Theory and Practice, pretende apoiar estimativas de risco e cuidados personalizados.
Modelos tradicionais nem sempre capturam as relações complexas entre características clínicas, biologia tumoral e fatores genéticos que influenciam o prognóstico individual.
O sistema usa uma estratégia de “fusão”, combinando métodos estatísticos e deep learning para representar o risco com mais precisão e criar grupos de risco mais específicos.
Por que os modelos precisam de mais detalhes
O câncer de mama não é uma doença uniforme. Informações clínicas, indicadores biológicos e fatores genéticos podem influenciar o tratamento e o prognóstico.
Wedad Alatebi afirmou que o projeto avaliou se a combinação de métodos estatísticos com deep learning poderia captar melhor essas relações.
O coautor Anand Seth disse que a abordagem pode criar agrupamentos de risco mais específicos e ajudar a adaptar as decisões terapêuticas.
Unindo estatística e IA
A análise estatística tradicional de sobrevivência continua importante. O estudo não apresenta o deep learning como substituto completo, mas como parte de uma estrutura capaz de aprender padrões complexos.
O modelo transforma primeiro as informações clínicas em uma representação do risco e depois incorpora o deep learning ao processo de previsão.
Um modelo de sobrevivência é uma ferramenta de apoio à decisão, não uma decisão terapêutica. Seu valor dependeria de validação adequada e do uso conjunto com julgamento médico, preferências da paciente e outras evidências.
Considerando informações genéticas
Informações genéticas do tumor podem melhorar os modelos, mas o acesso a testes genéticos é desigual. A equipe de Cincinnati incorporou dados simulados de expressão gênica para lidar com essa limitação.
Dados simulados não eliminam a necessidade de validação. O método é apresentado como uma possibilidade de pesquisa, não como padrão clínico estabelecido.
O que a pesquisa pode significar
Se validada, uma classificação mais precisa do risco poderia apoiar discussões individualizadas sobre tratamento e acompanhamento. Por enquanto, o trabalho deve ser entendido como um modelo em fase de pesquisa. Seu impacto dependerá de estudos posteriores e da demonstração de que previsões melhores levam a decisões melhores.
Este artigo é baseado em reportagem da Medical Xpress. Leia o artigo original.
Originally published on medicalxpress.com
