Aplicação de aprendizado de máquina na previsão de desfechos do tratamento do câncer de cólon

Por que prever os desfechos do câncer de cólon é importante

O câncer de cólon é um dos cânceres mais comuns no mundo, e muitos pacientes e familiares querem saber algo simples e urgente: “Quais são as minhas chances e o que pode ser feito para melhorá-las?” Este estudo do Irã investiga como técnicas modernas de computador, conhecidas como aprendizado de máquina, podem vasculhar registros médicos detalhados para prever melhor quais pacientes têm maior risco após a cirurgia. Ao afinar essas previsões, os médicos podem ajustar o tratamento e o acompanhamento com mais precisão, dando aos pacientes vulneráveis uma chance melhor de sobrevivência a longo prazo.

Transformando registros hospitalares em padrões úteis

Os pesquisadores utilizaram dados de 10 anos de 764 pessoas que passaram por cirurgia de câncer de cólon em um grande centro em Shiraz, Irã. Para cada paciente, coletaram 44 informações, incluindo idade, exames de sangue, tamanho do tumor, estágio do câncer, sintomas e detalhes da operação e de tratamentos, como quimioterapia. Esses registros foram limpos e verificados com cuidado: valores laboratoriais impossíveis foram corrigidos, pacientes que não puderam ser acompanhados foram removidos e respostas faltantes foram preenchidas com estimativas razoáveis. A equipe então dividiu os dados de modo que a maior parte serviu para treinar os modelos de computador, enquanto uma parcela separada foi reservada para testar o quão bem esses modelos conseguiam prever quem estaria vivo ou morto no seguimento.

Como algoritmos inteligentes aprendem com pacientes

Em vez de confiar apenas em estatísticas tradicionais, o estudo comparou lado a lado várias abordagens computacionais modernas. Isso incluiu diferentes métodos de “florestas” e “boosting”, que combinam muitas regras de decisão simples, bem como redes neurais, que imitam de forma aproximada como células cerebrais se conectam. O objetivo para cada método foi o mesmo: usar as informações dos pacientes para prever se cada pessoa sobreviveria e, em seguida, comparar essas previsões com o que realmente ocorreu. Os modelos foram avaliados pela frequência com que estavam corretos no geral, pela capacidade de identificar pacientes que morreram e pela habilidade de evitar falsos positivos para aqueles que sobreviveram. Os métodos com melhor desempenho chegaram a cerca de 80% de acurácia geral, um resultado forte dado a complexidade dos desfechos do câncer.

Quais modelos e fatores foram mais importantes

Entre todas as abordagens, um método chamado CatBoost mostrou a maior acurácia geral, enquanto um modelo de random forest apresentou o melhor equilíbrio entre sinalizar corretamente pacientes de alto risco e não classificar erroneamente como de risco aqueles que evoluíram bem. Para tornar os resultados mais compreensíveis para os médicos, a equipe usou uma ferramenta de explicação que classifica quais informações influenciaram mais as decisões do computador. O estágio do câncer — um resumo de quão grande é o tumor, se alcançou linfonodos e se houve metástase — foi o fator isolado mais forte. Tamanho do tumor, profundidade da invasão da parede do cólon, presença de disseminação para outros órgãos, tipo de tratamento, grau do tumor (o quão anormais as células pareciam), comprometimento de vasos linfáticos e sanguíneos, idade do paciente e perda de peso também desempenharam papéis importantes na formação das previsões de sobrevida.

Dos números às decisões à beira do leito

Essas descobertas sugerem que um modelo de computador cuidadosamente treinado, alimentado com informações clínicas rotineiras, pode ajudar médicos a identificar pacientes que estão silenciosamente em alto risco após a cirurgia de câncer de cólon. Na prática diária, tal ferramenta poderia estar integrada ao prontuário eletrônico, combinando instantaneamente detalhes sobre o tumor e a saúde geral do paciente em uma estimativa simples de risco. Esse número não substituiria o julgamento do médico, mas poderia orientar decisões como a frequência de acompanhamento, se tratamentos adicionais valem os efeitos colaterais ou quando é necessário um segundo parecer. Como os fatores mais importantes identificados pelo computador coincidem com aquilo que os especialistas em câncer já consideram críticos, o sistema é mais fácil de confiar e de explicar aos pacientes.

O que isso significa para pacientes e para o futuro

Para pacientes e familiares, a mensagem principal é que os computadores agora podem usar dados médicos rotineiros para apoiar um cuidado mais personalizado do câncer de cólon. Embora o estudo tenha sido feito em um único centro no Irã e ainda precise ser testado em outros hospitais e com dados mais ricos, como informações genéticas e de imagem, ele mostra que o aprendizado de máquina pode destacar quem precisa de atenção extra e por quê. Com o tempo, à medida que mais dados forem adicionados e os modelos refinados, essas ferramentas podem ajudar médicos ao redor do mundo a oferecer tratamentos que não são apenas baseados em evidências, mas também ajustados às circunstâncias e ao câncer de cada pessoa.

Citação: Ghasemi, H., Hosseini, S.V., Rezaianzadeh, A. et al. Machine learning application in colon cancer treatment outcome prediction. Sci Rep 16, 6159 (2026). https://doi.org/10.1038/s41598-026-36917-0

Palavras-chave: câncer de cólon, aprendizado de máquina, resultados do tratamento, previsão de risco, dados clínicos