Ferramenta de IA prevê recorrência do esôfago de Barrett com alta precisão

Uma nova ferramenta baseada em inteligência artificial (IA) mostra-se promissora para melhorar a vigilância em pacientes tratados com terapias endoscópicas de erradicação para displasia relacionada ao esôfago de Barrett (BE) e adenocarcinoma esofágico inicial. BE, é a única condição conhecida que precede o adenocarcinoma de esôfago – um câncer agressivo com altas taxas de mortalidade.

Desenvolvido e validado por pesquisadores dos EUA, o modelo de IA teve mais de 90% de precisão na previsão de quais pacientes sofreriam uma recorrência de EB após a terapia de erradicação endoscópica (EET) e na detecção de quando é provável que isso ocorra.

Os resultados foram publicados hoje em Gastroenterologia Clínica e Hepatologia.

A detecção precoce da displasia relacionada ao esôfago de Barrett e do adenocarcinoma esofágico associado pode salvar vidas. A identificação precoce da recorrência na forma de BE, displasia relacionada com BE e adenocarcinoma esofágico relacionado com BE, especialmente em pacientes de alto risco que foram submetidos a terapia de erradicação endoscópica, cria oportunidades para tratamento oportuno antes que o câncer se desenvolva ou progrida.”

Sachin Wani, MD, autor sênior do estudo e diretor executivo do Centro de Excelência Rady Esofágico e Gástrico do Centro de Câncer Anschutz da Universidade do Colorado

EET é um tratamento eficaz para displasia relacionada ao BE e adenocarcinoma esofágico precoce que elimina o tecido de Barrett anormal e reduz significativamente o risco de progressão para câncer de esôfago.

“O desafio é que a recorrência do esôfago de Barrett ainda pode ocorrer mesmo após a terapia de erradicação endoscópica e as atuais estratégias de vigilância não distinguem entre pacientes de alto e baixo risco. Todos são acompanhados usando o mesmo esquema, independentemente do risco”, disse Wani.

Utilizando inteligência artificial e dados de mais de 2.500 pacientes, Wani e uma equipe de especialistas líderes de todo o país desenvolveram a ferramenta de aprendizado de máquina. Para criá-lo, eles analisaram dados clínicos detalhados de pacientes que foram tratados com EET e acompanhados ao longo do tempo para determinar se, e quando, a displasia ou o câncer relacionados à BE e à BE retornaram. Esta análise revelou que quase 3 em cada 10 pacientes apresentaram recorrência após tratamento bem sucedido, com a condição retornando em média cerca de dois anos após a terapia.

A ferramenta de IA foi então treinada para analisar vários fatores do paciente ao mesmo tempo, como idade, peso corporal, gravidade da doença e detalhes do tratamento. Aprendeu padrões que os humanos não conseguem ver facilmente, incluindo como as combinações de fatores afetam o risco. Eles descobriram que a recorrência era mais provável em pacientes que tinham:

• Uma área mais longa do tecido de Barrett
• Um peso corporal maior
• Idade avançada
• Foram necessárias mais sessões de tratamento para remover completamente o tecido anormal
• Mudanças celulares mais avançadas no momento da diagnóstico

O modelo foi testado de duas maneiras: verificando se funcionava bem em pacientes semelhantes àqueles em que foi treinado e verificando o desempenho em diferentes grupos de pacientes de outras fontes. A ferramenta foi precisa para ambos os grupos de pacientes.

Esta ferramenta poderá ajudar os médicos a personalizar os cuidados de acompanhamento após o tratamento, em vez de utilizar o mesmo horário para todos os pacientes. As pessoas com maior risco de regresso da doença poderiam ser monitorizadas mais de perto, enquanto as que correm menor risco poderão necessitar de menos procedimentos de acompanhamento. Esta abordagem poderia reduzir exames desnecessários, diminuir o estresse dos pacientes e fazer melhor uso dos recursos de saúde.

“Este trabalho representa vários anos de esforço e parceria entre múltiplas instituições. Não teria sido possível sem a colaboração dos nossos colegas que partilharam os seus dados e conhecimentos”, disse Wani.

Os colaboradores incluem especialistas da Universidade Johns Hopkins, Mayo Clinic, UZ Leuven, Universidade da Carolina do Norte em Chapel Hill, Escola de Medicina da Universidade de Washington, Cleveland Clinic London, Northwestern Feinberg School of Medicine, University College London, Universidade da Califórnia em Los Angeles, Universidade de Kansas e Hirlanden Clinic Zurich.

O próximo passo é validar ainda mais o modelo utilizando conjuntos de dados internacionais através de colaborações na Holanda, Reino Unido, Bélgica e Suíça. O objetivo é validar a ferramenta para que possa ser amplamente aplicada e utilizada como um auxílio confiável e universal no atendimento clínico.