Pesquisadores descobriram que modelos de aprendizado de máquina (machine learning – ML) baseados em imagens podem prever com precisão a resposta do paciente ao tratamento do câncer de fígado. Um estudo de prova de conceito publicado no American Journal of Roentgenology mostra que os modelos de aprendizado de máquina podem prever a recorrência do tumor em pacientes com carcinoma hepatocelular (HCC) em estágio inicial, um tipo de câncer de fígado, antes do transplante de fígado ou relacionado tratamentos.
O câncer de fígado cria uma carga significativa de saúde nos EUA e em todo o mundo. Os Centros de Controle e Prevenção de Doenças (CDC) relatam que a cada ano são diagnosticados com câncer de fígado no país aproximadamente 25 mil homens e 11 mil mulheres, e cerca de 19 mil homens e 9 mil mulheres morrem da doença.
O HCC é o tipo mais comum de câncer de fígado, de acordo com a Clínica Mayo, e ocorre mais frequentemente em pacientes com doenças hepáticas crônicas. Os tratamentos para a doença são determinados pelo tamanho e localização do(s) tumor(es) de um paciente, quão bem o fígado está funcionando e sua saúde geral.
Os tratamentos potenciais podem incluir cirurgia de ressecção para remover o câncer, transplante de fígado, procedimentos de ablação, quimioterapia ou radioterapia, terapia medicamentosa direcionada e imunoterapia, além de tratamentos mais recentes para pacientes que participam de ensaios clínicos.
Pacientes com HCC em estágio inicial geralmente são elegíveis para ressecção, transplante ou ablação, mas o risco de recorrência do tumor é um fator importante na escolha de um tratamento e na determinação da elegibilidade potencial para o transplante, observam os pesquisadores. A recorrência do tumor está associada a resultados de saúde e sobrevida ruins, tornando crítica a previsão precisa de recorrência.
Atualmente, afirma o estudo, a previsão de recorrência é difícil e normalmente depende da análise de biomarcadores. Os pesquisadores procuraram avaliar o uso de modelos de machine learning para prever a recorrência usando dados laboratoriais, clínicos e de ressonância magnética de pré-tratamento de pacientes com HCC em estágio inicial que inicialmente preenchiam os critérios existentes para transplante de fígado.
A equipe de pesquisa coletou dados retrospectivos de 120 desses pacientes diagnosticados de junho de 2005 a março de 2018 que foram submetidos a tratamento por ablação térmica, ressecção ou transplante de fígado. Antes do tratamento, todos os pacientes foram submetidos a ressonância magnética e, após o tratamento, os pacientes foram submetidos à vigilância por imagem. Dados clínicos e laboratoriais foram coletados antes e após o tratamento.
Para avaliar quais dados seriam melhores para gerar previsões, os pesquisadores criaram três modelos de ML com base no tipo de dados que cada um usava: um modelo clínico, um modelo de imagem e um modelo de dados combinado. Os recursos a serem usados para a previsão foram MRI pré-tratamento e dados clínicos extraídos por uma rede neural convolucional de seleção de recursos pré-treinada.
Cada modelo foi avaliado com base em sua capacidade de prever a recorrência do tumor dentro de seis prazos, variando de um a seis anos após o tratamento. Durante esse período, os tumores se repetiram em 36,7% da coorte do estudo. Todos os modelos alcançaram alto desempenho na previsão de recorrência, mas o modelo de imagem superou o modelo contando apenas com dados clínicos. No entanto, o modelo combinado funcionou a par com o modelo de imagem.
Esses achados sugerem que os modelos de machine learning podem prever a recorrência antes do tratamento em pacientes com HCC em estágio inicial que são elegíveis para transplante de fígado, afirmam os pesquisadores. A aplicação de tais modelos pode ajudar a melhorar os critérios para alocação de órgãos e elegibilidade para transplante de fígado, concluem.
Outros modelos também foram desenvolvidos para prever a resposta ao tratamento do HCC.
No ano passado, os pesquisadores da Cleveland Clinic desenvolveram um modelo de aprendizado profundo para prever resultados de saúde e sobrevivência para pacientes com HCC após transplante de fígado, que alcançou resultados significativos.
A inteligência artificial (IA) e o machine learning também estão sendo usados para melhorar a pontualidade e o diagnóstico do tratamento do HCC.
No início deste mês, o pesquisador descobriu que uma ferramenta de coordenação de atendimento automatizada baseada em EMR (registro médico eletrônico) poderia identificar e rastrear casos de HCC com sucesso, o que teve um impacto significativo no diagnóstico precoce. A ferramenta foi projetada para revisar todos os relatórios de radiologia hepática, gerar uma fila de casos anormais para revisão e manter uma fila de eventos de tratamento de câncer com datas de vencimento e lembretes automatizados.
Usando esses dados, o sistema enviou lembretes para testes de acompanhamento e tratamento para os médicos, diminuindo o tempo da imagem ao diagnóstico e o tempo do diagnóstico ao tratamento.