Um novo modelo de machine learning desenvolvido na Cleveland Clinic promete melhorar a previsão de sobrevivência em pacientes com mieloma múltiplo. Enquanto ferramentas padrão de risco frequentemente deixam margem para incertezas, essa solução combina estadiamento clínico, presença da mutação TP53 e uma assinatura de seis genes identificada por IA. O resultado é uma acurácia 18% superior, conforme dados apresentados em junho de 2026.
Como o modelo foi construído a partir de dados reais
Os pesquisadores analisaram informações do estudo de resposta ao tratamento da Multiple Myeloma Research Foundation, que reuniu cerca de 753 pacientes. Desses, 36 apresentavam a mutação TP53, um marcador associado a prognósticos mais agressivos. A equipe, liderada pelo Dr. Shahzad Raza, hematologista-oncologista do Cleveland Clinic Cancer Institute, identificou uma assinatura de seis genes e aplicou o algoritmo CoxBoost para integrar todas as variáveis. O modelo resultante une estadiamento clínico tradicional, o status da mutação TP53 e essa assinatura genética em uma única previsão.
Por que a precisão aumentou em relação aos métodos convencionais
Ferramentas tradicionais de estratificação de risco no mieloma múltiplo geralmente consideram apenas fatores clínicos ou genéticos isolados. Ao adicionar o componente de machine learning, o sistema da Cleveland Clinic consegue capturar interações complexas entre esses dados. O trabalho foi apresentado na reunião anual da American Society of Clinical Oncology, com abstract publicado em 27 de maio de 2026. A participação de um estudante do ensino médio, Sriram Subramanian, no laboratório do Dr. Raza demonstra que a pesquisa combina rigor acadêmico com abordagens inovadoras de análise de dados.
O que isso significa na prática para pacientes e médicos
Com uma previsão mais precisa, médicos podem ajustar planos de tratamento com maior confiança, priorizando terapias mais agressivas para casos de alto risco ou opções menos tóxicas para pacientes com melhor prognóstico esperado. O modelo não substitui a avaliação clínica completa, mas oferece uma camada adicional de informação quantitativa que pode orientar decisões compartilhadas entre equipe médica e paciente.