Inteligência artificial para prever resposta patológica completa à terapia neoadjuvante em câncer de mama triplo-negativo: Revisão sistemática e meta-análise
OncologiaO que aconteceu
A inteligência artificial (IA) emergiu como uma abordagem promissora para predizer a resposta patológica completa (pCR) à terapia sistêmica neoadjuvante (NAST) no câncer de mama triplo negativo precoce (eTNBC), mas as evidências disponíveis permanecem metodologicamente heterogêneas e não foram sintetizadas quantitativamente. Realizamos uma revisão sistemática e metanálise de estudos avaliando modelos baseados em IA para predição de pCR após o NAST em eTNBC. PubMed/MEDLINE, Embase e CENTRAL foram pesquisados até 1o de janeiro de 2026. Estudos elegíveis incluíram investigações originais que aplicavam aprendizado de máquina ou aprendizagem profunda a dados radiológicos, patológicos, clínicos ou ômicos, com discriminação pCR relatada pelo menos como área sob a curva característica de operação receptora (AUC). A meta-análise dos efeitos aleatórios das AUCs transformadas em logit foi realizada em estudos com dados suficientes para reconstruir a variância da AUC.
O que encontraram
Cinquenta e oito estudos foram incluídos na revisão sistemática e 20 coortes de 19 estudos foram elegíveis para síntese quantitativa. Globalmente, os modelos baseados em IA apresentaram alto desempenho discriminativo para predizer pCR, com uma AUC agrupada de 0,79 (IC 95%, 0,75-0,83). No entanto, foi observada heterogeneidade substancial (I2 = 73,1%). Modelos que incorporam dados radiômicos e longitudinais mostraram AUCs numericamente mais elevadas do que as abordagens não radiômicas e somente de base, respectivamente, embora as diferenças de subgrupo não tenham sido estatisticamente significativas. Os modelos multimodais não superaram significativamente os modelos unimodais. A assimetria do gráfico funil sugeriu possíveis efeitos de pequeno estudo ou viés de publicação.
Por que isso importa
Modelos baseados em IA demonstram acurácia promissora para predizer pCR após o NAST no eTNBC, mas sua aplicabilidade clínica é limitada pela heterogeneidade substancial, estratégias de validação inconsistentes e potencial viés de publicação. Estudos multicêntricos prospectivos com notificação padronizada e validação externa robusta são obrigatórios antes da implementação clínica de rotina.
Tradução automática do resumo original, publicado em Breast (Edinburgh, Scotland) sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
Artificial intelligence for predicting pathological complete response to neoadjuvant therapy in triple-negative breast cancer: A systematic review and meta-analysis
Andrea Carlini, Flavia Foca, Marianna Sirico, Alberto Farolfi, Chiara Casadei, Caterina Gianni, Michela Palleschi, Nicola Gentili, Marita Mariotti, Giandomenico Di Menna et al.
Descritores MeSH
- Artificial Intelligence
- Neoadjuvant Therapy
- Triple Negative Breast Neoplasms
- Humans
- Female
- Predictive Learning Models
- Pathologic Complete Response