Random Survival Forest quantifies intra-stage heterogeneity of recurrence-free survival after curative gastrectomy: a single-center cohort study

Quando um cirurgião remove um tumor estomacal, o relatório do patologista é o primeiro mapa do futuro. Este relatório atribui um estágio ao câncer, um rótulo baseado na profundidade com que o tumor cresceu e se ele atingiu linfonodos próximos. Por décadas, este sistema tem sido a forma padrão pela qual os médicos estimam a probabilidade de um paciente ver o câncer retornar. Ele agrupa pacientes, assumindo que todos com o mesmo rótulo enfrentam os mesmos riscos. Mas a biologia raramente é tão organizada. Duas pessoas podem carregar exatamente o mesmo rótulo de estágio, mas ter desfechos muito diferentes, porque os detalhes invisíveis de sua doença específica variam de formas que os rótulos padrão não conseguem enxergar. A questão para a medicina moderna é se podemos olhar além das categorias amplas para ver os riscos únicos de cada indivíduo, permitindo um cuidado que seja adaptado à pessoa, em vez de ao grupo.

Uma equipe de pesquisadores de um único centro médico partiu para responder a essa pergunta para pacientes que haviam passado por uma cirurgia bem-sucedida para remover o câncer de estômago. Eles focaram em um grupo específico de pacientes cujos tumores haviam se espalhado para linfonodos próximos, mas não haviam atingido órgãos distantes, uma faixa de gravidade conhecida como estágios IIA a IIIC. Embora o sistema padrão trate todos nesses estágios como tendo um perfil de risco semelhante, os pesquisadores suspeitavam que diferenças ocultas dentro desses grupos eram significativas. Para encontrá-las, eles recorreram a um método computacional chamado Floresta de Sobrevivência Aleatória (Random Survival Forest). Esta não é uma floresta de árvores, mas uma ferramenta digital que constrói muitos caminhos de decisão diferentes para encontrar padrões em dados complexos, de forma muito semelhante a pedir a cem especialistas diferentes que opinem sobre um único caso e, em seguida, tirar a média de suas respostas.

Os pesquisadores reuniram registros de 486 pacientes que tiveram seu câncer removido entre 2008 e 2020. Eles alimentaram o computador com dez informações diferentes sobre cada paciente, incluindo detalhes sobre o tumor e a saúde do paciente, para ver se o modelo poderia prever quem permaneceria livre de câncer por três e cinco anos. Primeiro, ensinaram o modelo usando dados dos anos anteriores e depois o testaram em pacientes dos anos posteriores para garantir que pudesse lidar com novos casos. Os resultados mostraram que o modelo computacional foi melhor em prever o futuro do que os rótulos de estágio padrão isoladamente. Enquanto o sistema tradicional fornecia uma estimativa aproximada, o novo modelo conseguia distinguir entre pacientes que tinham grande probabilidade de permanecer livres de câncer e aqueles que provavelmente veriam o retorno da doença, mesmo compartilhando o mesmo estágio oficial.

A descoberta mais impressionante foi como o risco variava dentro dos estágios intermediários da doença. Para pacientes nos estágios II a IIIB, o modelo revelou uma grande lacuna nos desfechos. Alguns pacientes nesses grupos tinham uma chance muito baixa de recorrência, enquanto outros tinham uma chance muito maior, com uma diferença de dez a quinze pontos percentuais entre os grupos de menor e maior risco. Isso significa que duas pessoas com o mesmo rótulo de estágio poderiam ter futuros muito diferentes, um fato que o antigo sistema ignorou completamente. No entanto, o modelo descobriu que, para o grupo mais grave, o estágio IIIC, o risco era uniformemente alto. Todos neste grupo enfrentavam um pesado fardo de recorrência, e o modelo computacional confirmou que o rótulo de estágio padrão já estava fazendo um bom trabalho ao identificá-los como de alto risco. Não havia um grupo oculto de baixo risco escondido dentro desta categoria.

Este trabalho sugere que, para os estágios intermediários do câncer de estômago, o sistema atual é excessivamente simplista. Ele trata um grupo diversificado de pacientes como se fossem todos iguais, levando potencialmente ao excesso de preocupação ou ao monitoramento insuficiente. A nova abordagem oferece uma maneira de classificar esses pacientes de forma mais refinada, identificando quem precisa de uma vigilância mais próxima e quem pode estar seguro com o cuidado padrão. Os pesquisadores observam que suas descobertas baseiam-se em um único centro e precisarão ser verificadas por outros hospitais para confirmar que se mantêm verdade em todos os lugares. Até lá, este estudo fornece um marco claro de como a tecnologia poderá, um dia, ajudar os médicos a irem além de rótulos amplos para compreender a realidade específica da doença de cada paciente.