Gostou do artigo? Compartilhe!

Previsão do risco de câncer de pulmão no rastreio de acompanhamento com TC de baixa radiação: um estudo de treinamento e validação de um método de deep learning

A+ A- Alterar tamanho da letra
Avalie esta notícia

As diretrizes atuais de rastreamento do câncer1 de pulmão2 usam diâmetro, volume ou densidade médios do maior nódulo3 pulmonar na tomografia computadorizada4 anterior ou aparecimento de um novo nódulo3 para determinar o momento da próxima tomografia computadorizada4.

Neste estudo publicado pelo The Lancet Digital Health, o objetivo foi desenvolver um protocolo de rastreio preciso, estimando o risco de câncer1 de pulmão2 em três anos após duas tomografias de rastreio usando deep learning (em tradução livre: “aprendizado profundo”) das leituras de tomografia computadorizada4 dos radiologistas e outras informações clínicas disponíveis universalmente.

Um algoritmo de deep learning (referido como DeepLR) foi desenvolvido usando dados de participantes que fizeram pelo menos duas tomografias computadorizadas com até 2 anos de diferença no National Lung Screening Trial (NLST; coorte5 de treinamento). A validação em dupla ocultação foi realizada usando dados de participantes do estudo Pan-Canadense de Detecção Precoce de Câncer1 de Pulmão2 (PanCan) (coorte5 de validação).

A análise primária foi para comparar a precisão dos escores do DeepLR para prever a incidência6 de câncer1 de pulmão2 em 1 ano, 2 anos e 3 anos com o Sistema de Relatórios e Dados de Rastreio por TC do Pulmão2 (Lung-RADS) e o tempo de duplicação de volume, usando a análise da área dependente do tempo sob a curva de característica operacional do receptor (AUC7).

A coorte5 de treinamento consistiu em 25.097 participantes do NLST e a coorte5 de validação compreendeu 2.294 indivíduos do PanCan.

Na coorte5 de validação, o DeepLR mostrou boa discriminação, com valores da AUC7 dependentes de tempo de 1, 2 e 3 anos para o diagnóstico8 de câncer1 de 0,968 (DP 0,013), 0,946 (0,013) e 0,899 (0,017), respectivamente.

Entre os indivíduos considerados de alto risco pelo DeepLR, 94%, 85% e 71% dos cânceres pulmonares incidentes9 e com intervalo de tempo diagnosticados em 1 ano, 2 anos e 3 anos, respectivamente, após o segundo rastreio por TC foram identificados. Além disso, indivíduos com escores altos de DeepLR apresentaram um risco significativamente maior de mortalidade10 (taxa de risco 16,07, IC 95% 10,15-25,44; p<0,0001) entre pessoas com escores altos no Lung-RADS.

O estudo concluiu que o DeepLR reconhece padrões em mudanças temporais e espaciais e sinergia entre alterações nas características de nódulos e não nódulos. As pontuações do DeepLR podem ser usadas para orientar com precisão o tratamento clínico após a próxima tomografia computadorizada4 de rastreio repetida.

Saiba mais sobre "Câncer1 de pulmão2", "Tomografia computadorizada4" e "Prevenção do câncer1".

 

Fonte: The Lancet Digital Health, publicação em 17 de outubro de 2019.

 

NEWS.MED.BR, 2019. Previsão do risco de câncer de pulmão no rastreio de acompanhamento com TC de baixa radiação: um estudo de treinamento e validação de um método de deep learning. Disponível em: <https://www.news.med.br/p/medical-journal/1349063/previsao-do-risco-de-cancer-de-pulmao-no-rastreio-de-acompanhamento-com-tc-de-baixa-radiacao-um-estudo-de-treinamento-e-validacao-de-um-metodo-de-deep-learning.htm>. Acesso em: 28 mar. 2024.

Complementos

1 Câncer: Crescimento anormal de um tecido celular capaz de invadir outros órgãos localmente ou à distância (metástases).
2 Pulmão: Cada um dos órgãos pareados que ocupam a cavidade torácica que tem como função a oxigenação do sangue.
3 Nódulo: Lesão de consistência sólida, maior do que 0,5cm de diâmetro, saliente na hipoderme. Em geral não produz alteração na epiderme que a recobre.
4 Tomografia computadorizada: Exame capaz de obter imagens em tons de cinza de “fatias†de partes do corpo ou de órgãos selecionados, as quais são geradas pelo processamento por um computador de uma sucessão de imagens de raios X de alta resolução em diversos segmentos sucessivos de partes do corpo ou de órgãos.
5 Coorte: Grupo de indivíduos que têm algo em comum ao serem reunidos e que são observados por um determinado período de tempo para que se possa avaliar o que ocorre com eles. É importante que todos os indivíduos sejam observados por todo o período de seguimento, já que informações de uma coorte incompleta podem distorcer o verdadeiro estado das coisas. Por outro lado, o período de tempo em que os indivíduos serão observados deve ser significativo na história natural da doença em questão, para que haja tempo suficiente do risco se manifestar.
6 Incidência: Medida da freqüência em que uma doença ocorre. Número de casos novos de uma doença em um certo grupo de pessoas por um certo período de tempo.
7 AUC: A área sob a curva ROC (Receiver Operator Characteristic Curve ou Curva Característica de Operação do Receptor), também chamada de AUC, representa a acurácia ou performance global do teste, pois leva em consideração todos os valores de sensibilidade e especificidade para cada valor da variável do teste. Quanto maior o poder do teste em discriminar os indivíduos doentes e não doentes, mais a curva se aproxima do canto superior esquerdo, no ponto que representa a sensibilidade e 1-especificidade do melhor valor de corte. Quanto melhor o teste, mais a área sob a curva ROC se aproxima de 1.
8 Diagnóstico: Determinação de uma doença a partir dos seus sinais e sintomas.
9 Incidentes: 1. Que incide, que sobrevém ou que tem caráter secundário; incidental. 2. Acontecimento imprevisível que modifica o desenrolar normal de uma ação. 3. Dificuldade passageira que não modifica o desenrolar de uma operação, de uma linha de conduta.
10 Mortalidade: A taxa de mortalidade ou coeficiente de mortalidade é um dado demográfico do número de óbitos, geralmente para cada mil habitantes em uma dada região, em um determinado período de tempo.
Gostou do artigo? Compartilhe!