O câncer de próstata é o segundo mais comum em homens, e estima-se que 1,5 milhão indivíduos foram diagnosticados em todo o planeta somente em 2022. Nos EUA, levantamento da Sociedade Americana de Câncer indica que 1 a cada 8 homens recebe um diagnóstico deste tipo em algum momento da vida. No Brasil, o Instituto Nacional de Câncer estima que, entre 2023 e 2025, serão diagnosticados 72 mil novos casos, o que o torna o segundo tipo mais comum em nosso país, atrás apenas do câncer de pele não melanoma. Entretanto, embora o câncer de próstata possa resultar na morte do doente, nem sempre sua ocorrência implica risco à vida. Caso seu desenvolvimento decorra de forma muito lenta, a ameaça é menor.
Hoje, o meio principal empregado para determinar se um câncer é clinicamente significativo, ou seja, se apresenta riscos ao paciente, envolve o uso de biópsias. No caso da próstata, são duas as possibilidades: a biópsia transretal, na qual uma agulha ultrapassa o reto e alcança a próstata, e a transperineal, em que o material é coletado por meio da inserção de uma agulha no períneo do paciente. Ainda que o segundo método apresente menos complicações do que o primeiro, ambos os procedimentos são invasivos e desconfortáveis e a decisão de recorrer a eles deve ser embasada por uma avaliação criteriosa.
“O ideal seria conseguir determinar se a biópsia é realmente necessária antes mesmo que o procedimento fosse realizado, de forma a limitar os exames apenas aos pacientes com alta probabilidade de apresentar um câncer agressivo”, diz Flávio Vasconcelos Ordones, urologista do Hospital Público de Tauranga, na Nova Zelândia. Mirando essas condições ideais, Ordones e pesquisadores do Hospital das Clínicas da Faculdade de Medicina de Botucatu da Unesp (HCFMB) desenvolveram um modelo de aprendizado de máquina capaz de estimar a probabilidade de que um paciente venha a apresentar um câncer de próstata clinicamente significativo.
“A biópsia é um procedimento agressivo. A ideia é que o modelo auxilie o médico na tomada de decisão de realizar ou não esse procedimento”, diz Luís Gustavo Modelli de Andrade, coordenador do Laboratório de Ciência de Dados e Análise Preditiva em Saúde do HCFMB (LabData). “Queremos fazer uma medicina personalizada, na qual se ofereça a biópsia ao paciente certo e se evite a realização do procedimento em indivíduos com um câncer de baixo risco”, completa Ordones, que teve sua formação e residência no HCFMB. O resultado foi divulgado no artigo A Novel Machine Learning-Based Predictive Model of Clinically Significant Prostate Cancer and Online Risk Calculator, publicado na revista científica Urology.
É preciso considerar a diversidade de pacientes
Atualmente, a decisão de realizar ou não a biópsia em um paciente é tomada exclusivamente com base em análises clínicas. Entre os principais métodos está a análise dos níveis de antígeno prostático específico (PSA), obtidos por meio de exames de sangue. Porém, ainda que o aumento de PSA no organismo possa indicar um tumor em desenvolvimento, também é uma decorrência natural do avanço da idade, o que o torna um método pouco preciso. Outros recursos empregados para identificar e classificar o câncer de próstata incluem o exame de toque retal e exames de ressonância magnética.
Embora tais métodos sejam bastante utilizados isoladamente, eles carecem de maior precisão, e o resultado é que pacientes muitas vezes são submetidos a biópsias desnecessariamente. Além do incômodo para a pessoa, a realização do procedimento também resulta em uma série de gastos extras. Assim, Modelli e Ordones desenvolveram um modelo que combina o resultado dos exames clínicos com informações pessoais do paciente para estimar a probabilidade de que ele venha a apresentar um câncer clinicamente significativo.
Para criar o sistema, Ordones coletou dados de pacientes submetidos entre 2022 e 2024 à biópsia transperineal, um modelo mais moderno e preciso do exame, em três locais diferentes: o Hospital de Tauranga, na Nova Zelândia, o Hospital de Saint Andrews, na Austrália, e o Hospital Universitário de Zurique, na Suíça. Ao todo, foram coletadas informações de 1.272 pacientes.
Ordones destaca que a quantidade de pacientes e o fato de possuírem origens distintas são elementos que diferenciam o novo modelo de outros propostos anteriormente. Para o médico, tais características são essenciais no desenvolvimento de qualquer modelo que se proponha a fazer previsões sobre doenças, pois asseguram uma maior probabilidade de que o sistema funcione bem com qualquer população, e não apenas com grupos de pessoas específicas.
O grupo usou os dados obtidos ao longo de dois anos para treinar o modelo de aprendizado de máquina. Isso envolveu a partir da inserção, no sistema, dos dados — como, por exemplo, o resultado de uma biópsia — seguida da indicação ao algoritmo quanto ao significado daquele dado. Essa abordagem permite que o modelo comece a entender e, posteriormente, a descobrir padrões ainda não identificados no material que é inserido. Com estes padrões, ele se torna capaz de identificar sozinho quais informações podem indicar ou não a presença de um câncer.
Leia a reportagem completa no Jornal da Unesp.
*Informações Assessoria de Imprensa
