Pesquisadores apresentaram um modelo de IA na Reunião Anual da ASTRO que prevê com precisão a recorrência bioquímica em pacientes com câncer de próstata após terapia de radiação. A ferramenta usa exames de RM pré-tratamento e dados clínicos para superar modelos de risco tradicionais. Esse avanço pode ajudar a personalizar tratamentos de forma mais eficaz.
Na Reunião Anual da American Society for Radiation Oncology (ASTRO), realizada em Washington, D.C., de 20 a 23 de outubro de 2024, uma equipe do UT Southwestern Medical Center apresentou resultados sobre um novo modelo preditivo baseado em IA para resultados de câncer de próstata.
O estudo, liderado por David P. Hormuth II, PhD, professor assistente de oncologia de radiação, focou na recorrência bioquímica (BCR), definida como um aumento nos níveis de antígeno prostático específico (PSA) pós-tratamento, indicando possível retorno do câncer. O modelo foi desenvolvido usando dados de mais de 1.000 pacientes tratados com terapia de radiação entre 2003 e 2017 no UT Southwestern.
Fundamental para a ferramenta de IA é sua integração de características quantitativas de imagem de exames de RM pré-tratamento, combinadas com variáveis clínicas padrão como idade, escore de Gleason e níveis de PSA. Treinado nesse conjunto de dados, o modelo alcançou uma área sob a curva (AUC) de 0.87 para prever o risco de BCR em dois anos, superando o desempenho de nomogramas estabelecidos como o modelo do Memorial Sloan Kettering Cancer Center (MSKCC), que obteve 0.75 AUC.
"Essa abordagem de IA nos permite extrair informações sutis das imagens que não são capturadas por métodos tradicionais", afirmou Hormuth durante a apresentação. A validação da ferramenta em uma coorte independente de 200 pacientes confirmou sua robustez, com precisão preditiva similar.
O contexto de fundo destaca o desafio no manejo do câncer de próstata: embora a terapia de radiação seja eficaz, até 30% dos pacientes experimentam BCR em cinco anos, frequentemente levando a terapias adicionais. A estratificação de risco atual depende de fatores clinicopatológicos, mas a IA baseada em imagens pode refinar isso ao identificar características tumorais sutis.
As implicações incluem o potencial para planos de tratamento personalizados, como intensificar a terapia para pacientes de alto risco ou desescalar para os de baixo risco, visando reduzir o sobretratamento. Os pesquisadores notaram a aplicabilidade do modelo a imagens de cuidado padrão, tornando-o viável para adoção clínica mais ampla. No entanto, enfatizaram a necessidade de estudos maiores e multi-institucionais para validar a generalização.
Não surgiram contradições principais no relatório, pois os detalhes da apresentação se alinham com a metodologia do estudo publicada no resumo.