
O estado atual da inteligência artificial para a hiperplasia prostática benigna.
Autores do Artigo:
Journal
Data da publicação
Autor do Resumo

Editor de Seção

Introdução
O artigo, publicado na revista European Urology Focus em julho de 2025, apresenta uma mini‑revisão das aplicações atuais de inteligência artificial (IA) no diagnóstico, manejo, predição terapêutica e otimização de fluxos clínicos em pacientes com hiperplasia prostática benigna (HPB). A crescente adoção da IA na urologia motivou esta síntese das evidências recentes.
Objetivo
Revisar criticamente a literatura contemporânea sobre o uso de ferramentas de IA no contexto da HPB, descrevendo seus potenciais benefícios, limitações e áreas prioritárias para pesquisa futura.
Desenho do estudo
Mini-revisão narrativa baseada em estudos publicados até 2025 sobre aplicações de machine learning (ML), deep learning (DL) e large language models (LLMs) relacionados ao diagnóstico e manejo da HPB
Número de pacientes
Os estudos incluídos apresentaram grande heterogeneidade no número de pacientes incluídos, com amostras variando de 60 a mais de 2000 pacientes, dependendo da aplicação avaliada.
Período de inclusão
Os artigos revisados incluíram publicações entre 2018 e 2025.
Materiais e Métodos
Foram revisitados estudos que empregaram:
- Redes neurais convolucionais (CNN), CLSTM, ResUnet
- Modelos de ML: Random Forest, SVM, Gradient Boosting, K‑NN, LASSO
- Radiômica e espectroscopia Raman para diferenciação entre HPB e câncer de próstata
- Ferramentas de visão computacional para histologia e imagem endoscópica
- LLMs como ChatGPT‑4 para auxílio clínico e comunicação médico‑paciente
- Sistemas de IA aplicados à estratificação cirúrgica e predição de desfechos funcionais
Desfechos
- Diferenciação entre HPB e câncer de próstata em exames radiológicos e laboratoriais
- Classificação histopatológica automatizada
- Predição de resposta terapêutica a finasterida, doxazosina ou tratamento combinado
- Identificação de estruturas anatômicas e sangramento intraoperatório
- Predição de resultados funcionais após procedimentos cirúrgicos
- Qualidade e precisão de respostas de LLMs para dúvidas de pacientes
- Otimização de fluxos clínicos e administrativos
Critérios de inclusão e exclusão mais relevantes
O artigo não detalha critérios formais específicos, mas de forma geral incluiu:
- Pesquisas sobre IA aplicada a HPB
- Estudos clínicos retrospectivos, prospectivos e análises de imagem
- Modelos diagnósticos, preditivos e de suporte à decisão
Excluiu:
- Técnicas cirúrgicas modernas não analisadas nos estudos (ex.: aquablation, UroLift, Rezum, enucleações endoscópicas)
- Trabalhos sem validação mínima ou sem relação direta com HPB
Resultados
A revisão encontrou avanços significativos em várias áreas relacioandas com HPB.
- Diagnóstico: Modelos de imagem (radiômica, MRI, espectroscopia Raman) apresentaram AUC entre 0,79 e 0,92 para diferenciar HPB de câncer.
- Histopatologia: Sistemas DL mostraram alta acurácia (AUC até 0,97) na detecção de padrões histológicos e na avaliação do impacto de 5‑ARIs.
- Manejo clínico: Algoritmos de clusterização sugeriram possíveis estratégias personalizadas para indicação cirúrgica.
- Predição terapêutica: Modelos SVM e Random Forest alcançaram AUC entre 0,67 e 0,89 para prever resposta a farmacoterapia.
- Cirurgia: ML apresentou boa performance na predição de sangramento intraoperatório e na identificação de estruturas anatômicas.
- Fluxo clínico e comunicação: LLMs exibiram precisão semelhante à de urologistas em respostas a pacientes, com maior empatia percebida.
Conclusão do Trabalho
A IA tem potencial para transformar o cuidado da HPB em múltiplas etapas do cuidado, desde o diagnóstico, manejo clínico, planejamento terapêutico, até cirurgia e otimização administrativa. No entanto, o campo ainda está em fase inicial. Persistem desafios importantes, como a necessidade de validação externa, padronização metodológica e generalização dos modelos antes de sua incorporação rotineira na prática clínica.
Comentário Editorial
A revisão aborda um tema altamente relevante e atual, dado o crescente interesse pela incorporação da IA na urologia. Os estudos analisados mostram resultados promissores, especialmente em imagem médica, patologia digital e predição de resposta terapêutica. Todavia, destacam-se algumas limitações importantes nestes estudos. Existe uma heterogeneidade significativa dos desenhos, algoritmos e métricas dos trabalhos o que dificulta comparações diretas. A ausência de validação externa robusta na maioria dos modelos compromete sua generalização. Muitos trabalhos empregam amostras pequenas, especialmente em aplicações histológicas e radiômicas. Ainda há escassez de estudos prospectivos e multicêntricos na área, que são essenciais para adoção clínica real. Algumas técnicas cirúrgicas contemporâneas como Holep e os MISTs não foram incluídas nos estudos analisados, limitando a aplicabilidade em geral.
Como pontos fortes, o artigo é uma revisão abrangente do tema, cobrindo múltiplos domínios da HPB e apresentando diferentes modelos de IA e métricas de desempenho. Aborda a integração de LLMs na comunicação entre médicos e pacientes, que é um tema bem atual e relevante na prática diária. O estudo fornece um panorama bem atual e amplo das potenciais aplicações práticas da IA na urologia, especialmente no manejo da HPB.
Embora a IA represente um avanço significativo em diversas áreas, inclusive na medicina, as evidências atuais ainda não sustentam sua implementação rotineira no manejo da HPB. Os resultados são promissores, mas requerem validação externa, ensaios prospectivos e avaliação de impacto clínico real. Para que essas ferramentas de fato melhorem a tomada de decisão e os desfechos dos pacientes, é indispensável seguir metodologias robustas para estudo e implementação. A IA tem grande potencial para se tornar parte integral do cuidado em HPB em diversos cenários, mas ainda é uma tecnologia em amadurecimento.
Referência
Murad L, Layne E, Ganjavi C, et al. The Current State of Artificial Intelligence for Benign Prostatic Hyperplasia. Eur Urol Focus. 2025;11(6):999-1003. doi:10.1016/j.euf.2025.07.004

