Modelos de aprendizado de máquina interpretáveis usando biomarcadores sanguíneos periféricos para diagnóstico e prognóstico do carcinoma espinocelular glótico de laringe

Por que um exame de sangue simples pode ajudar a proteger sua voz

O câncer glótico de laringe afeta as pregas vocais e pode ameaçar tanto a fala quanto a vida, porém frequentemente é difícil distingui‑lo de problemas vocais benignos antes da cirurgia. Este estudo investiga se os mesmos exames de sangue rotineiros que muitas pessoas realizam antes de uma operação ou check‑up podem ser combinados com algoritmos modernos para identificar tumores perigosos mais cedo e estimar o prognóstico do paciente após o tratamento — tudo isso sem exames adicionais ou procedimentos invasivos.

Procurando pistas de câncer em exames de sangue comuns

Os pesquisadores concentraram‑se em homens com alterações nas pregas vocais, comparando três grupos: 124 pacientes com câncer das pregas vocais, 124 pacientes com lesões benignas das pregas vocais e 124 voluntários saudáveis. Para todos, coletaram medidas sanguíneas pré‑operatórias padrão que refletem inflamação (como contagens de leucócitos), tendência à coagulação (como fibrinogênio e tempos de coagulação) e estado nutricional (como albumina, uma proteína sanguínea chave). Como esses testes já fazem parte do cuidado hospitalar rotineiro, quaisquer achados seriam fáceis de aplicar amplamente e com baixo custo.

Ensinando máquinas a diferenciar o perigoso do inofensivo

Para transformar esse mar de números em orientação prática, a equipe usou dois métodos populares de aprendizado de máquina, conhecidos como Random Forest e XGBoost. Esses programas aprendem padrões a partir dos dados de forma semelhante a um filtro de spam que separa mensagens indesejadas das genuínas. Aqui, o objetivo foi distinguir câncer de problemas vocais benignos usando apenas resultados de exames de sangue. Após treinamento e validação cruzada na maior parte dos pacientes, os modelos foram testados em um grupo separado. O modelo XGBoost, em particular, teve desempenho muito bom, distinguindo corretamente câncer de não câncer na maioria dos casos, com uma medida de acurácia (AUC) de 0,93 — elevada para um teste não invasivo baseado exclusivamente em exames laboratoriais rotineiros.

Tornando a caixa‑preta compreensível para os médicos

Modelos computacionais costumam ser criticados por serem caixas‑pretas, mas este trabalho utilizou um método chamado SHAP para mostrar quais marcadores sanguíneos impulsionavam as previsões. Os sinais mais importantes foram medidas relacionadas à coagulação sanguínea e à atividade imune: razão internacional normalizada (INR), fibrinogênio, tempo de trombina e razões que comparam diferentes tipos de leucócitos (relação neutrófilo‑para‑monócito e relação linfócito‑para‑monócito). Em geral, pacientes com câncer tendiam a apresentar mais sinais de inflamação e um organismo propenso à formação de coágulos, juntamente com alterações no equilíbrio das células imunes. Os pesquisadores chegaram a construir uma ferramenta de pontuação visual simples, baseada nos principais marcadores, para que os clínicos pudessem estimar o risco de câncer de um paciente à beira do leito.

Sinais sanguíneos que acompanham a agressividade do câncer

Além do diagnóstico, o estudo perguntou se os marcadores sanguíneos refletem o quão perigoso é um tumor. Ao associar os resultados sanguíneos aos detalhes dos laudos de patologia cirúrgica, a equipe descobriu que certos índices combinados — especialmente o índice sistêmico de inflamação imune (SII) e várias razões de contagem celular — aumentavam em conjunto com tumores maiores, acometimento de linfonodos e estágio geral mais elevado. Um marcador, a razão neutrófilo‑para‑plaqueta, esteve fortemente associado à invasão perineural por células tumorais, uma característica preocupante ligada à recorrência. Em um seguimento mediano de cerca de quatro anos e meio, pacientes com contagens mais altas de neutrófilos, maior razão neutrófilo‑para‑linfócito e SII mais elevado tiveram desfechos piores, com mais recidivas e óbitos.

O que isso pode significar para pacientes e clínicos

De forma simples, esta pesquisa mostra que uma “fotografia” do sangue do paciente, analisada com critério, pode revelar muito mais do que os laudos laboratoriais rotineiros sugerem. Ao combinar exames familiares com ferramentas interpretáveis de aprendizado de máquina, os médicos em breve poderão decidir melhor quais pacientes com rouquidão precisam urgentemente de biópsia, quais cânceres tendem a se comportar de forma mais agressiva e quem pode se beneficiar de acompanhamento mais rigoroso ou terapia adicional. Embora o estudo seja retrospectivo e limitado a homens de uma única região — o que significa que precisa de confirmação em grupos mais amplos —, ele descreve um caminho prático e de baixo custo rumo a um cuidado mais personalizado e informado por dados para pessoas com suspeita ou diagnóstico de câncer das pregas vocais.

Citação: Zhang, Y., Yan, X., Li, X. et al. Interpretable machine learning models using peripheral blood biomarkers for diagnosis and prognosis of glottic laryngeal squamous cell carcinoma. Sci Rep 16, 10451 (2026). https://doi.org/10.1038/s41598-026-40074-9

Palavras-chave: câncer de laringe, biomarcadores sanguíneos, aprendizado de máquina, prognóstico do câncer, inflamação imune