Multimodal artificial intelligence for personalized hepatocellular carcinoma treatment strategy selection

O tratamento do câncer raramente é uma escolha simples entre dois caminhos. Para um paciente com câncer de fígado, a decisão de como proceder envolve pesar o tamanho e a localização de um tumor contra a força do fígado do paciente, sua saúde geral e até mesmo suas circunstâncias pessoais. Os médicos devem sintetizar uma vasta quantidade de informações, desde números de exames de sangue até as notas escritas em um histórico médico, para decidir se a cirurgia, um medicamento direcionado ou um tratamento térmico localizado oferece a melhor chance de recuperação. Esse processo é complexo e muitas vezes depende da experiência do médico, que deve manter todos esses fatos díspares em sua mente ao mesmo tempo para encontrar o curso de ação correto.

Pesquisadores há muito tentam construir programas de computador que possam ajudar nessa tomada de decisão. No entanto, a maioria das ferramentas existentes observa apenas dados estruturados, como idade, resultados de laboratório ou medições de tumores, ignorando o rico texto descritivo encontrado nas notas médicas e relatórios de imagem. Um novo estudo de uma equipe em Wuxi, China, aborda essa lacuna ao criar um modelo de computador que lê e compreende tanto os números quanto as palavras no prontuário de um paciente. Os pesquisadores desenvolveram um sistema que combina esses diferentes tipos de informação para prever qual de cinco tratamentos comuns um paciente tem mais probabilidade de receber, visando tornar o processo de seleção mais objetivo e abrangente.

A equipe focou no carcinoma hepatocelular, o tipo mais comum de câncer primário de fígado. Eles reuniram dados de 1.043 pacientes tratados no Hospital Popular de Wuxi entre 2017 e 2023 para construir seu modelo, e o testaram em um grupo separado de 55 pacientes de 2025 para ver se ele se sustentava em um novo cenário. O sistema de computador foi projetado para observar quatro categorias principais de informações: dados demográficos básicos, como idade e sexo; resultados laboratoriais, como níveis de enzimas hepáticas; o histórico médico do paciente, incluindo doenças passadas; e o texto detalhado dos relatórios de imagem descrevendo o que os exames mostraram. Crucialmente, o modelo não apenas escaneou palavras-chave; ele usou um método sofisticado para converter o texto não estruturado das narrativas médicas em um formato que o computador pudesse analisar junto com os números brutos.

Para treinar o sistema, os pesquisadores alimentaram-no com os dados do primeiro grupo de pacientes juntamente com o tratamento real que cada pessoa recebeu. O objetivo era que o computador aprendesse os padrões que levaram os médicos a escolher uma terapia específica em vez de outra. O modelo tinha que decidir entre cinco opções: remover o tumor através de cirurgia aberta, remover o tumor por meio de uma abordagem laparoscópica minimamente invasiva, usar ablação por radiofrequência para queimar o tumor, bloquear seu suprimento de sangue com um procedimento chamado quimioembolização transarterial ou administrar quimioterapia. Os pesquisadores então compararam seu novo sistema com vários outros métodos conhecidos de aprendizado computacional para ver qual deles desempenhava melhor.

Os resultados mostraram que o novo modelo, que os autores chamam de ET-Emb, foi mais preciso do que os outros métodos. No grupo inicial de pacientes, o sistema previu corretamente o caminho do tratamento com um AUC de 0,84 e manteve um desempenho forte de 0,77 quando testado no novo grupo de 55 pacientes. Essa consistência sugere que o modelo pode lidar com a complexidade dos dados médicos do mundo real sem perder sua eficácia. O estudo também revelou que a informação baseada em texto não foi apenas uma adição menor; ela desempenhou um papel importante no sucesso do modelo. Quando os pesquisadores analisaram quais fatores impulsionaram as decisões, descobriram que as descrições escritas nos registros médicos e os detalhes socioeconômicos, como o status de emprego, foram preditores significativos.

Essa descoberta desafia a ideia de que apenas números clínicos rígidos importam na seleção do tratamento. A análise do modelo indicou que fatores como o status de emprego de um paciente ou a redação específica em uma nota médica sobre sua condição influenciaram sutilmente a escolha final do tratamento, espelhando a maneira matizada como os médicos humanos consideram a pessoa como um todo. Por exemplo, o sistema identificou que certos tipos sanguíneos e a presença de condições como hipertensão ou diabetes estavam ligados a recomendações de tratamento específicas, alinhando-se com riscos médicos conhecidos. A inclusão de dados de texto permitiu que o modelo capturasse essas sutilezas que modelos puramente numéricos frequentemente perdem.

Os pesquisadores reconhecem que seu trabalho possui limites. O modelo foi treinado com dados de um único hospital e aprendeu com as decisões que os médicos realmente tomaram, o que pode incluir variações baseadas em práticas locais ou preferências dos pacientes, em vez de diretrizes estritas. Além disso, o estudo não acompanhou quanto tempo os pacientes viveram após o tratamento, portanto, o modelo prevê a escolha da terapia, não necessariamente o desfecho de sobrevivência a longo prazo. Apesar dessas restrições, o estudo demonstra que combinar narrativas médicas escritas com dados clínicos padrão cria uma ferramenta mais poderosa para entender as decisões de tratamento. Ao integrar com sucesso essas diferentes formas de informação, o modelo oferece uma maneira de simular o raciocínio complexo e humano necessário para navegar pelas escolhas difíceis envolvidas no tratamento do câncer de fígado.