Predicting malnutrition in colorectal cancer: a systematic review of risk prediction models

O câncer colorretal, uma doença que afeta o intestino grosso e o reto, continua sendo um dos desafios de saúde mais comuns e graves em todo o mundo. Para os pacientes que navegam por essa enfermidade, um companheiro oculto, mas crítico, frequentemente emerge: a desnutrição. Esta condição não se trata meramente de estar abaixo do peso; é um estado complexo onde o corpo carece dos nutrientes essenciais necessários para reparar tecidos, combater infecções e tolerar os rigores do tratamento. Quando um paciente com câncer colorretal torna-se desnutrido, as consequências são severas. Eles enfrentam riscos maiores de infecção após a cirurgia, estadias hospitalares mais longas e uma capacidade reduzida de suportar a quimioterapia. Por causa disso, as equipes médicas, particularmente os enfermeiros, que são frequentemente os primeiros a notar o declínio de um paciente, precisam de uma maneira confiável de identificar aqueles em risco antes que seja tarde demais. O objetivo é identificar os vulneráveis precocemente, para que a ajuda possa ser dada antes que as reservas do corpo se esgotem.

Por anos, pesquisadores tentaram construir ferramentas matemáticas para prever quais pacientes cairão nesse estado perigoso. Essas ferramentas, conhecidas como modelos de predição, são como listas de verificação que pesam vários fatores — como idade, tamanho do tumor, resultados de exames de sangue e força física — para calcular uma pontuação de risco. A esperança era que um enfermeiro pudesse usar tal ferramenta para sinalizar instantaneamente um paciente que necessita de suporte nutricional imediato. No entanto, o cenário dessas ferramentas tem sido confuso. Alguns modelos previam coisas diferentes, como taxas de sobrevivência ou marcadores sanguíneos específicos, em vez do estado real de desnutrição. Outros usavam definições diferentes para o que conta como "desnutrição", tornando impossível compará-los de forma justa. Para cortar essa confusão, uma equipe de pesquisadores de universidades e hospitais da China e dos Estados Unidos decidiu reunir todos os estudos disponíveis sobre este tópico e examiná-los com um olhar crítico.

Os pesquisadores realizaram uma busca abrangente, vasculhando oito grandes bases de dados científicas em busca de estudos publicados até 1º de maio de 2026. Eles lançaram uma rede ampla, buscando qualquer estudo que construiu um modelo para prever desnutrição ou risco nutricional especificamente em adultos com câncer colorretal. Eles foram rigorosos quanto ao que incluir: os modelos tinham que focar na realidade clínica da desnutrição, definida por padrões médicos reconhecidos, em vez de apenas um único teste de sangue ou um palpite sobre quanto tempo um paciente poderia viver. Após filtrar milhares de registros e remover duplicatas ou artigos irrelevantes, encontraram treze estudos que atendiam aos seus critérios. Esses estudos envolveram um total de milhares de pacientes, desde aqueles recém-diagnosticados até aqueles em recuperação de cirurgia ou passando por quimioterapia.

Quando a equipe analisou esses treze modelos, descobriu que, no papel, eles pareciam bastante promissores. Os modelos foram capazes de distinguir entre pacientes que estavam em risco e aqueles que não estavam com um alto grau de precisão. Na linguagem da estatística, sua capacidade de separar os dois grupos variou de boa a excelente. Os pesquisadores observaram que alguns modelos identificaram corretamente os pacientes em risco com um AUC de 0,88, enquanto outros foram ainda mais precisos em seus testes iniciais. As ferramentas utilizaram uma variedade de métodos para fazer essas previsões, desde equações simples até algoritmos computacionais mais complexos. Elas se basearam em pistas comuns, como a idade do paciente, seu índice de massa corporal, o estágio de seu câncer, seus níveis de hemoglobina e o quão bem eles podiam realizar atividades diárias. Alguns modelos também observaram pontuações específicas de triagem nutricional ou fatores como renda e ingestão de proteínas.

No entanto, a história toma um rumo diferente quando os pesquisadores olharam mais profundamente para como esses modelos foram construídos e testados. Apesar dos números impressionantes na superfície, a equipe descobriu que cada um dos treze modelos sofria de falhas significativas em seu design e relato. O problema principal foi que os modelos não haviam sido testados em novos grupos de pessoas diferentes. A maioria foi construída e testada no mesmo grupo de pacientes, um pouco como um aluno fazendo um exame de prática e depois fazendo o mesmo teste imediatamente depois. Essa abordagem frequentemente leva a uma visão excessivamente otimista de quão bem a ferramenta funciona. Os pesquisadores descobriram que os estudos frequentemente falhavam em explicar como lidaram com dados ausentes, como escolheram quais fatores incluir ou se o modelo estava propenso ao overfitting, um termo técnico para memorizar os detalhes específicos dos dados de treinamento em vez de aprender as regras gerais. Devido a esses problemas, a equipe concluiu que os modelos ainda não estavam prontos para serem usados em hospitais do mundo real para tomar decisões sobre o cuidado ao paciente.

A revisão também destacou uma falta de diversidade na pesquisa. Quase todos os estudos foram conduzidos na China, com apenas um nos Estados Unidos. Isso significa que as ferramentas foram construídas usando dados de populações específicas com hábitos alimentares, sistemas de saúde e origens genéticas particulares. Um modelo que funciona bem em uma região pode não funcionar de forma alguma em outra. Além disso, as definições de desnutrição variavam ligeiramente entre os estudos, com alguns usando um conjunto de critérios e outros usando um conjunto diferente. Embora os pesquisadores tenham conseguido estreitar o foco para a desnutrição clinicamente definida, essa variação ainda dificultava a combinação dos resultados em um quadro único e unificado. A equipe observou que, embora o aprendizado de máquina e a inteligência artificial estivessem sendo usados em alguns dos modelos mais recentes, essas técnicas avançadas não corrigiram os problemas fundamentais de design de estudo deficiente ou falta de teste externo.

A mensagem final desta revisão é de um otimismo cauteloso misturado com um apelo pelo rigor. Os modelos existentes mostram que é possível prever o risco nutricional em pacientes com câncer colorretal, e os resultados iniciais são encorajadores. No entanto, o caminho para uma ferramenta que um enfermeiro possa usar com confiança à beira do leito de um paciente ainda não está completo. Os pesquisadores enfatizam que esses modelos devem ser vistos como ideias preliminares, e não como produtos acabados. Antes de poderem ser confiados para guiar decisões clínicas, eles precisam ser testados em grupos grandes e diversos de pacientes em diferentes hospitais e países. Estudos futuros devem ser desenhados com maior cuidado, garantindo que os modelos sejam testados em novas pessoas para provar que funcionam no mundo real. Até que isso aconteça, a melhor abordagem continua sendo para as equipes de saúde usarem seu julgamento profissional e métodos de triagem estabelecidos, mantendo essas novas ferramentas em mente como potenciais auxílios para o futuro, em vez de soluções imediatas. O trabalho está longe de terminar, mas esta revisão sistemática forneceu um mapa claro de onde o campo se encontra e quais passos devem ser tomados a seguir para transformar esses cálculos promissores em cuidados que salvam vidas.