O valor preditivo do aprendizado de máquina para a resposta à terapia anti-TNF-α em pacientes com doença de Crohn: uma revisão sistemática e metanálise

MetanáliseNível 1 · Evidência consolidadaFrontiers in immunology30 set 20260 citações

O que aconteceu

Esta meta-análise teve como objetivo avaliar o desempenho do aprendizado de máquina (ML) na predição da resposta à terapia anti-fator de necrose tumoral-α (anti-TNF-α) em indivíduos com doença de Crohn (CD), fornecendo uma base baseada em evidências para a construção ou atualização de ferramentas de predição. PubMed, Cochrane Library, Embase e Web of Science foram pesquisados de forma abrangente para estudos publicados até 18 de novembro de 2025 sobre modelos preditivos de ML para a resposta terapêutica ao tratamento anti-TNF em indivíduos com DC. O modelo de predição Risk Of Bias Assessment Tool (PROBAST) foi utilizado para avaliar o risco de viés nos artigos elegíveis. O desempenho do modelo foi avaliado por meio do índice de concordância (índice C), e uma meta-análise foi realizada. https://www.crd.york.ac.uk/PROSPERO/, identificador CRD420251276470.

O que encontraram

Foram incluídos 29 estudos envolvendo 6.697 pacientes com DC. Destes estudos, 22 focaram a resposta à terapia anti-TNF-α, 6 à cicatrização da mucosa e 1 a outros resultados. A meta-análise demonstrou que, para prever a resposta ao tratamento anti-TNF-α, no conjunto de dados de validação, os índices C foram 0,762 para modelos ML com base em características clínicas (FCs), 0,852 para modelos com base em características radiomicas e 0,854 para modelos com base em FCs combinadas com características radiomicas. Na validação interna, os índices C para modelos baseados em FCs, radiomics e CFs combinados com radiomics foram 0,773 (IC 95%: 0,711-0,841), 0,840 (IC 95%: 0,781-0,904) e 0,830 (IC 95%: 0,780-0,883), respectivamente. No conjunto de validação externa, modelos baseados em radiomics (0,865, IC 95%: 0,783-0,955) e modelos baseados em CFs combinados com radiomics (0,883, IC 95%: 0,816-0,955) superaram modelos baseados em CFs (0,733, IC 95%: 0,645-0,833). Além disso, o índice C de modelos baseados na resposta mucosa endoscópica foi de 0,794.

Por que isso importa

hile ML mostra promessa em prever os efeitos terapêuticos do tratamento anti-TNF-α em indivíduos com DC, existem algumas limitações metodológicas. Pesquisas futuras devem integrar conjuntos de dados multicêntricos e geograficamente diversos para aumentar a generalização dos modelos. Melhorar a robustez do modelo ajudará a identificar os não respondedores precocemente, promovendo, em última análise, o desenvolvimento de estratégias terapêuticas personalizadas e medicina de precisão.

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