Introdução: A trombose venosa profunda (TVP) é uma complicação grave e recorrente em pacientes com câncer gástrico, especialmente após a gastrectomia radical, sendo uma das principais causas de morbimortalidade. O estado de hipercoagulabilidade tumoral, associado a fatores inflamatórios e cirúrgicos, eleva o risco trombótico. Nos últimos anos, técnicas de machine learning, como Random Forest, XGBoost e redes neurais, têm apresentado alto desempenho na detecção precoce, previsão de risco e suporte à decisão clínica personalizada. Objetivo: Sintetizar e analisar as evidências quanto ao uso da inteligência artificial (IAs) na identificação de trombose venosa profunda em pessoas com câncer gástrico, por meio de modelos de machine learning. Metodologia: Foi realizada uma revisão integrativa da literatura, com busca na base PubMed utilizando a estratégia: “(Machine Learning) AND (Deep Vein Thrombosis) AND (Gastric Cancer)”. Incluíram-se estudos publicados nos últimos cinco anos, em todos os idiomas, que apresentaram dados clínicos e/ou preditivos sobre o uso de IA na predição de TVP em pacientes com câncer gástrico. Excluíram-se artigos de outras neoplasias, revisões duplicadas e estudos sem descrição metodológica adequada. Foram incluídos estudos observacionais, retrospectivos e prospectivos que utilizaram algoritmos de aprendizado de máquina aplicados à predição trombótica. Resultados: Foram identificados 328 estudos, dos quais quatro atenderam aos critérios de inclusão. Os modelos de machine learning, como Random Forest, XGBoost, SVM e redes neurais, apresentaram elevada acurácia e área sob a curva (AUC > 0,80) na predição de trombose venosa profunda em pacientes com câncer gástrico, especialmente após a gastrectomia radical. Entre as variáveis mais relevantes destacaram-se idade avançada, níveis elevados de D-dímero, CA125 aumentado, alterações eletrolíticas, tempo cirúrgico prolongado, histórico de transfusão sanguínea e redução da massa muscular, fatores fortemente associados ao risco trombótico. Os algoritmos baseados em IA demonstraram desempenho superior aos escores clínicos tradicionais, como o de Khorana, evidenciando maior capacidade de predição e estratificação individualizada do risco. Conclusão: Os modelos de machine learning se mostraram eficazes na predição da trombose venosa profunda em pacientes com câncer gástrico, superando métodos clínicos convencionais. A integração desses modelos a sistemas de apoio à decisão clínica pode otimizar a estratificação de risco e a prevenção personalizada de eventos trombóticos.
Comissão Organizadora
Comunic Eventos
Aldemar Araujo Castro
Comissão Científica
Ferramenta completa de submissão, avaliação e publicação de anais para eventos científicos.
