O abismo translacional no aprendizado de máquina para o câncer de mama triplo-negativo: uma avaliação quantitativa da paisagem

Revisão sistemáticaNível 1 · Evidência consolidadaFrontiers in oncology24 set 20260 citações

O que aconteceu

O câncer de mama triplo-negativo (TNBC) é o subtipo mais agressivo de câncer de mama e aquele com menos alvos terapêuticos. A aplicação da aprendizagem de máquina (ML) na investigação TNBC está a tornar-se cada vez mais difundida; no entanto, ainda faltam estudos bibliométricos sistemáticos centrados neste campo interdisciplinar em rápida evolução. Este estudo procurou sistematicamente as bases de dados Web of Science Core Collection e Scopus para literatura relevante sobre a aplicação da ML na área de TNBC publicadas entre janeiro de 2011 e janeiro de 2026. Essas publicações foram analisadas utilizando-se VOSviewer, CiteSpace e o pacote R/Bibliometrix. Uma validação externa independente foi realizada utilizando a mesma estratégia de busca no banco de dados PubMed. Além disso, estudos clínicos e ensaios clínicos randomizados controlados foram identificados através do PubMed para quantificar o gap de tradução clínica neste campo.

O que encontraram

Realizou-se uma análise bibliométrica de 394 publicações e verificou-se que a produção global de publicações apresenta uma tendência de crescimento não linear. A China ficou em primeiro lugar no volume de publicações com 180 artigos, enquanto os Estados Unidos ocuparam o primeiro lugar na influência acadêmica com uma média de 39,09 citações por artigo; a rede de colaboração revelou um padrão global com a China e os Estados Unidos como hubs duplos. A análise de co-ocorrência de palavras-chave identificou seis grandes clusters temáticos, correspondendo amplamente a três domínios: compreensão da doença, inovação metodológica e tradução clínica. A análise de emergência de citações revelou que "aprender profundamente", "radiomics" e "tumor-infiltrando linfócitos" representam as fronteiras emergentes mais robustas atualmente. A análise de clusters da literatura cocitada identificou três temas de pesquisa dominantes: modelos de predição prognóstica, diagnóstico radiomico e integração multi-ômica. Os resultados de validação externa do PubMed mostraram alta consistência com a análise principal; no entanto, a análise do gap de tradução clínica revelou uma relação de validação retrospectiva em relação ao desenvolvimento de 16:1 (24 estudos de validação retrospectiva versus 394 estudos de desenvolvimento) e uma relação de desenvolvimento prospectivo em relação ao desenvolvimento de 44:1 (9 estudos registrados versus 394 estudos de desenvolvimento). Não foram identificados ensaios intervencionistas prospectivos.

Por que isso importa

Pesquisas sobre aprendizado de máquina no campo do câncer de mama triplo-negativo (TNBC) estão passando por rápida expansão, com hotspots de pesquisa atuais centrados em radimica, aprendizagem profunda, e a descoberta de biomarcadores multi-ômicos. No entanto, a validação clínica permanece escassa: apenas 24 estudos retrospectivos de validação (6,1%) e 9 estudos registrados (2,3%) foram identificados em relação a 394 estudos de desenvolvimento computacional. Nossa análise bibliométrica revela uma lacuna substancial entre o resultado da publicação computacional e as evidências de validação clínica, e o paradigma de pesquisa permanece principalmente orientado pela metodologia e não ancorado clinicamente. Ensaios clínicos multicêntricos, prospectivos, com desfechos centrados no paciente, são necessários para preencher essa lacuna estrutural de tradução.

Tradução automática do resumo original, publicado em Frontiers in oncology sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.