O câncer de próstata é uma doença complexa e a detecção precisa da recorrência local após uma prostatectomia radical pode ser desafiadora para os profissionais de saúde. No entanto, avanços recentes em modelos de aprendizado de máquina têm mostrado promessas em melhorar as previsões e orientar as decisões de tratamento.
Um artigo de pesquisa publicado na Oncologia por Hu et al. explora o papel clínico prático dos modelos de aprendizado de máquina na previsão da recorrência local do câncer de próstata após uma prostatectomia radical. O estudo teve como objetivo comparar o desempenho de três algoritmos diferentes com o escore Prostate Imaging for Recurrence Reporting (PI-RR) fornecido por radiologistas especialistas.
O estudo incluiu uma análise retrospectiva de 176 pacientes, que foram divididos aleatoriamente em grupos de treinamento e teste. Radiologistas especialistas avaliaram o escore PI-RR com base em exames de ressonância magnética multiparamétrica pós-operatória e outros dados relevantes. Além disso, os pesquisadores construíram modelos de radiômica usando os algoritmos de máquina de vetores de suporte (SVM), análise discriminante linear (LDA) e regressão logística com operador de contração e seleção absoluta mínima (LR-LASSO) para prever a recorrência local.
Notavelmente, o modelo de radiômica baseado em LR-LASSO demonstrou um desempenho superior, superando o escore PI-RR sozinho. Ele alcançou uma impressionante área sob a curva (AUC) de 0,858 no conjunto de teste. Além disso, os pesquisadores desenvolveram um modelo combinado que integrou características de radiômica com o escore PI-RR, resultando no melhor desempenho preditivo com um AUC de 0,924. Este modelo combinado mostrou ainda maior precisão na previsão da recorrência local do câncer de próstata.
Esses achados destacam o potencial dos modelos de radiômica na previsão eficaz da recorrência local do câncer de próstata pós-prostatectomia radical. Ao integrar características de radiômica com o escore PI-RR, os profissionais de saúde podem aprimorar sua precisão preditiva e tomar decisões de tratamento mais informadas. Esta pesquisa tem implicações significativas para melhorar os resultados dos pacientes e aprimorar o gerenciamento geral do câncer de próstata.
The source of the article is from the blog krama.net