Brasil
Revista de Saúde Pública
Sumário Anterior Atual Seguinte
Sumário
Artigo Original • Rev. Saúde Pública 60 • 2026 • https://doi.org/10.11606/s1518-8787.2026060007389 linkcopiar

Open-access Machine learning e sobrevida em câncer: análise do Registro Hospitalar de Câncer de São Paulo

AutoriaSCIMAGO INSTITUTIONS RANKINGS

RESUMO

OBJETIVO  Comparar o desempenho de diferentes algoritmos de Survival Machine Learning (SML) na predição da sobrevida de pacientes com câncer.

MÉTODOS  Utilizaram-se dados do Registro Hospitalar de Câncer do Estado de São Paulo, contemplando os cinco tipos de câncer mais incidentes (mama, próstata, pulmão, colorretal e colo do útero). Foram avaliados seis algoritmos: Gradient Boosting Survival (GBS), Random Survival Forest (RSF), Support Vector Machine Survival (SVM-Survival), XGBoost Cox, XGBoost Accelerated Failure Time (AFT) e LightGBM. O desempenho foi medido pelas métricas Concordance Index (C-Index), C-Index IPCW e Integrated Brier Score (IBS).

RESULTADOS  O modelo XGBoost AFT apresentou os melhores resultados de C-Index para mama (0,7845), pulmão (0,7368), colorretal (0,7618) e colo do útero (0,7726), enquanto o GBS foi superior para próstata (0,7574). O estadiamento clínico foi consistentemente a variável mais importante, segundo a análise de explicabilidade.

CONCLUSÃO  Os algoritmos de SML demonstraram bom desempenho preditivo, independentemente do tipo de câncer, do tamanho amostral e da proporção de censura. Esses modelos mostram potencial para subsidiar o planejamento oncológico e apoiar decisões estratégicas na organização das redes de atenção ao câncer.

DESCRITORES:
Neoplasias; Análise de Sobrevida; Aprendizado de Máquina

ABSTRACT

OBJECTIVE  To compare the performance of different Survival Machine Learning (SML) algorithms in predicting the survival of cancer patients.

METHODS  Data from the Registro Hospitalar de Câncer do Estado de São Paulo (São Paulo State Cancer Registry Hospital) were used, covering the five most incident types of cancer (breast, prostate, lung, colorectal and cervix). Six algorithms were evaluated: Gradient Boosting Survival (GBS), Random Survival Forest (RSF), Support Vector Machine Survival (SVM-Survival), XGBoost Cox, XGBoost Accelerated Failure Time (AFT), and LightGBM. Performance was measured by the Concordance Index (C-Index), C-Index IPCW and Integrated Brier Score (IBS) metrics.

RESULTS  The XGBoost AFT model showed the best C-Index results for breast (0.7845), lung (0.7368), colorectal (0.7618), and cervix (0.7726), while GBS was superior for prostate (0.7574). Clinical staging was consistently the most important variable, according to the explainability analysis.

CONCLUSION  The SML algorithms showed good predictive performance, regardless of cancer type, sample size and censoring proportion. These models show potential for subsidizing cancer planning and supporting strategic decisions in the organization of cancer care networks.

DESCRIPTORS:
Neoplasms; Survival Analysis; Machine Learning

INTRODUÇÃO

A incidência de câncer tem aumentado acentuadamente ao longo dos últimos anos, devido ao envelhecimento da população e às mudanças de hábitos de vida, sendo estimados 20 milhões de casos novos e 9,7 milhões de óbitos por ano1. É um importante problema de saúde pública, com impacto nos sistemas de saúde em todo o mundo.

A análise de sobrevida é um tipo de análise em que a variável dependente de interesse é o tempo até que ocorra determinado evento2. Em câncer, esses estudos visam analisar o tempo entre o diagnóstico e/ou admissão em um serviço especializado no tratamento da doença e o óbito do paciente3. Um aspecto importante deste tipo de análise é a inclusão do tempo de observação dos indivíduos censurados. A censura ocorre quando existe perda de seguimento do paciente ou quando o estudo termina e ele segue sem ter apresentado o desfecho de interesse. Em contraposição, análises de desfechos dicotômicos, como sobrevida em cinco anos, precisam utilizar somente os indivíduos sobre os quais há certeza acerca da sobrevida ou do óbito durante o período de acompanhamento, sendo necessário excluir da análise os censurados.

Os modelos de análise de sobrevida baseados em estatística tradicional dependem de premissas acerca da distribuição dos dados. O modelo de riscos proporcionais de Cox (Cox-PH) é o mais utilizado e é um modelo semiparamétrico que assume a proporcionalidade dos riscos para os diferentes indivíduos de maneira constante ao longo do tempo3. Desta forma, o uso dele exige a realização de testes que confirmem que as premissas são atendidas, necessitando de adaptações e ajustes quando isso não ocorre2. Este modelo é frequentemente utilizado para estimar o efeito de variáveis explicativas sobre o risco de um evento ao longo do tempo, mas pode ser adaptado para predição individual de risco a partir de estimadores como o de Breslow.

O uso dos algoritmos de Survival Machine Learning (SML) para análise de sobrevida tem sido crescente nos últimos anos4,5. A sua principal vantagem consiste na capacidade de análise de amplos conjuntos de dados com variáveis de diversos formatos, sem necessidade de cumprir determinadas premissas. Isso é especialmente útil em casos de atributos com associações não lineares com a variável de interesse.

No Brasil, alguns trabalhos já abordaram a mortalidade e sobrevida por câncer6,7, considerando os dados do Registro Hospitalar de Câncer do Estado de São Paulo (RHC/SP) da Fundação Oncocentro do Estado de São Paulo (FOSP). Entretanto, estes trabalhos não consideraram o tempo de sobrevida enquanto variável dependente de interesse, e sim a ocorrência ou não do evento (óbito) após determinados intervalos de tempo. Desta forma, nestas análises foi necessário excluir indivíduos por perda de seguimento.

Em um estudo prévio, foi realizada a comparação de modelos de SML com modelos de machine learning para desfechos dicotômicos de sobrevida em um, três e cinco anos de pacientes com câncer colorretal, demonstrando que os modelos dicotômicos subestimaram a sobrevida destes pacientes8. Neste artigo, foram incluídos pacientes com os cinco tipos de câncer mais frequentes no estado de São Paulo, que apresentam diferenças expressivas na sua incidência e na proporção de casos censurados. Foram testados os principais modelos de SML visando identificar os algoritmos que apresentam melhor desempenho na predição e possíveis diferenças de desempenho relacionadas ao tamanho das amostras e à proporção de casos censurados.

MÉTODOS

O RHC/SP, gerido pela FOSP, reúne informações socioeconômicas e clínicas de pacientes diagnosticados com câncer desde o ano 2000, fornecidas por 81 instituições do estado de São Paulo. Este banco de dados, com informações anonimizadas, é público e pode ser consultado mediante o preenchimento de um cadastro no site da instituição9. Para este estudo, foram selecionados casos de cinco tipos de câncer mais incidentes no estado de São Paulo: mama, próstata, pulmão, colorretal e colo do útero.

Previamente à realização do estudo, os autores identificaram as variáveis que seriam incluídas no modelo e os critérios de inclusão e exclusão, considerando as características dos tumores e do conjunto de dados disponível. Optou-se por excluir variáveis que apresentavam alta colinearidade com as variáveis escolhidas, baixa proporção de preenchimento ou que estavam relacionadas ao tipo de tratamento a que o indivíduo foi submetido. A intenção foi trabalhar com dados que estão disponíveis antes de iniciar o tratamento, para possibilitar o uso destes modelos em estudos posteriores com construção de cenários e/ou otimização da organização da rede de serviços de saúde.

A preparação dos conjuntos de dados para os cinco tipos de câncer em estudo ocorreu em duas etapas: seleções gerais e ajustes das colunas – aplicadas a todas as topografias analisadas – e seleções específicas, realizadas de acordo com as particularidades de cada tipo. Para todos os tipos de câncer, foram excluídos pacientes com menos de 20 anos, não residentes no estado de São Paulo, com estadiamento clínico indefinido ou não realizado, com carcinoma in situ, sem confirmação microscópica do diagnóstico, com morfologia incerta, ou que tenham realizado transplante de medula óssea.

Nas seleções específicas, foram aplicados critérios adicionais para cada tipo de câncer. Pacientes com câncer de pulmão que receberam hormonioterapia foram excluídos, tendo em vista que este tratamento em geral é destinado a pacientes com outros tipos de tumores com metástases pulmonares. No caso do câncer colorretal, foram considerados apenas os pacientes com morfologia de adenocarcinoma (código 81403), tendo em vista que as outras morfologias são mais raras e apresentam comportamento distinto. Para o câncer de mama, foram incluídas apenas mulheres, tendo em vista que este tipo de câncer em homens é raro e se comporta de forma muito distinta.

O conjunto de variáveis analisado incluiu informações individuais do paciente, como idade (IDADE), sexo (SEXO) e escolaridade (ESCOLARI); variáveis relacionadas ao local de residência, como o código IBGE da cidade (IBGE) e o Departamento Regional de Saúde (DRS); e variáveis referentes à instituição de atendimento, incluindo código da instituição (INSTITU), categoria de atendimento (CATEATEND), código IBGE da cidade da instituição (IBGEATEN), DRS da instituição (DRS_INST) e categoria de habilitação em alta complexidade em oncologia (HABILIT2). Também foram consideradas variáveis clínicas, como diagnóstico prévio à admissão (DIAGPREV), topografia (TOPO), morfologia (MORFO), estadiamento clínico (EC) e ano de diagnóstico (ANODIAG). Por fim, avaliou-se o tempo categorizado entre a primeira consulta e o início do tratamento (TRATCONS_CAT) e entre o diagnóstico e o início do tratamento (DIAGTRAT_CAT). A variável sexo foi utilizada apenas para câncer de pulmão e colorretal, a variável topografia não foi considerada para próstata e a variável morfologia não foi considerada para colorretal. Os dados foram divididos em duas partes, com 80% dos pacientes sendo utilizados para o treinamento dos algoritmos de sobrevida e os outros 20% para validação destes modelos.

Foi considerado como desfecho o tempo entre o diagnóstico e a ocorrência do óbito por todas as causas, sendo incluídos os pacientes censurados. Foram utilizados seis modelos de aprendizado de máquina voltados para a análise de sobrevida: Gradient Boosting Survival (GBS), Random Survival Forest (RSF), Survival Support Vector Machine (SSVM), XGBoost Cox (XGB-Cox), XGBoost Accelerated Failure Time (XGB-AFT) e LightGBM (LGBM). Cada um adota uma estratégia distinta para modelar o tempo até a ocorrência de um evento e foram escolhidos por sua capacidade de lidar com censura nos dados, capturar padrões não lineares e fornecer predições mais flexíveis em comparação com abordagens estatísticas tradicionais. Os aspectos metodológicos relativos ao tratamento do banco de dados, bem como referente às especificidades de cada tipo de modelo de SML, estão descritos de maneira mais aprofundada em outro trabalho8.

Para a avaliação dos modelos de sobrevida, foram utilizadas três métricas: Concordance Index (C-Index), Inverse Probability of Censoring Weighted Concordance Index (C-Index IPCW) e Integrated Brier Score (IBS). O C-Index é uma métrica empregada para medir a capacidade discriminatória do modelo, ou seja, sua habilidade de ordenar corretamente os tempos de sobrevida dos indivíduos10. Valores próximos a 1 indicam concordância perfeita, enquanto um valor de 0,5 sugere desempenho equivalente ao acaso. O C-Index IPCW é uma variação do C-Index que corrige vieses introduzidos pela censura não informativa ou dependente de covariáveis11. Por fim, o IBS mede a exatidão das predições de probabilidade de sobrevivência ao longo do tempo, sendo calculado a partir das curvas de sobrevida estimadas pelos modelos. Valores mais baixos indicam melhor desempenho, sendo 0 a predição perfeita12. Como o IBS depende das curvas de sobrevida, ele somente foi calculado para os modelos que apresentaram curvas de sobrevida adequadas e consistentes com as observações empíricas.

A seleção dos hiperparâmetros dos modelos de aprendizado de máquina foi realizada com o Optuna13, utilizando três amostradores distintos. O RandomSampler combina os parâmetros de forma aleatória; o TPESampler14 otimiza a escolha por meio de modelos probabilísticos; e o CmaEsSampler15 emprega uma estratégia evolucionária que ajusta uma distribuição gaussiana sobre o espaço de hiperparâmetros. Cada amostrador foi avaliado com 150 combinações distintas, aplicando validação cruzada em 10 folds para cada conjunto de parâmetros. Para cada tipo de câncer, selecionou-se o modelo com melhor desempenho entre os três amostradores.

Para avaliar o impacto das diferentes variáveis nas predições dos modelos de sobrevida, utilizou-se o SHapley Additive exPlanations (SHAP)16 e o Permutation Importance (PI)17. O SHAP estima a contribuição média de cada variável para as predições, considerando todas as combinações possíveis de valores, enquanto o PI avalia a perda de desempenho do modelo quando os valores de uma variável são embaralhados de maneira aleatória.

Aspectos Éticos

Este estudo foi realizado com uma base de dados pública, anonimizada e sem variáveis sensíveis que permitissem identificação dos indivíduos, preservando a confidencialidade. Desta forma, não foi submetido a um Comitê de Ética em Pesquisa, de acordo com a Resolução nº 510/2016 do Conselho Nacional de Saúde.

RESULTADOS

O banco de dados foi obtido do RHC/SP em setembro de 2024 com dados de 1.223.973 indivíduos. Após as seleções gerais e específicas por tipo de câncer, foram incluídos 141.726 pacientes com câncer de mama, 111.406 com câncer de próstata, 45.719 com câncer de pulmão, 44.856 com câncer colorretal e 27.850 com câncer do colo do útero, conforme descrito no Quadro 1.

Thumbnail
Quadro 1
Ajustes e seleções feitas nos conjuntos de dados do RHC/SP.

O perfil dos pacientes incluídos no estudo é apresentado na Tabela 1. O número de pacientes incluídos para cada tipo de câncer variou de 27.850 casos de colo do útero a 141.726 casos de mama, passando por 44.856 de colorretal, 45.719 de pulmão e 111.406 de próstata. No câncer de pulmão e no câncer colorretal, observou-se predomínio de pacientes do sexo masculino, correspondendo a 60,2% e 52,0% dos casos, respectivamente.

Thumbnail
Tabela 1
Perfil de pacientes incluídos no estudo.

A proporção de óbitos por todas as causas variou consideravelmente entre os tipos de câncer incluídos. Os casos de câncer de pulmão apresentaram a maior proporção de óbitos (85,1%), enquanto mama e próstata registraram a menor proporção de óbitos com valores próximos (32,9% e 32,7%, respectivamente). Colorretal (48,8%) e colo do útero (44,9%) situaram-se em patamares intermediários. A distribuição de acordo com a topografia, bem como a divisão entre treino e teste encontra-se no Material Suplementara. As curvas de Kaplan-Meier estratificadas por estadiamento clínico também se encontram no Material Suplementar.

A Tabela 2 apresenta o desempenho dos modelos de SML para predição de sobrevida após a otimização dos hiperparâmetros para os cinco tipos de câncer. No câncer de mama, o modelo XGB-AFT apresentou o melhor desempenho em termos de C-Index (0,7845) e C-Index IPCW (0,7570), enquanto o GBS obteve o menor IBS (0,1325). Já no câncer de próstata, o GBS destacou-se com os melhores valores de C-Index (0,7574) e C-Index IPCW (0,7332), além do menor IBS (0,1298). No cenário do câncer de pulmão, o modelo XGB-AFT obteve o maior C-Index (0,7368) e o maior C-Index IPCW (0,7325), embora o menor IBS tenha sido registrado pelo modelo GBS (0,1165). Para o câncer colorretal, o XGB-AFT apresentou novamente os maiores valores de C-Index (0,7618) e C-Index IPCW (0,7532), enquanto o menor IBS foi registrado pelo GBS (0,1552). Finalmente, no caso do câncer do colo do útero, o modelo XGB-Cox alcançou o maior C-Index (0,7726), enquanto o GBS obteve o maior C-Index IPCW (0,7643) e o menor IBS (0,1473). As curvas de sobrevida estão apresentadas no Material Suplementar.

Thumbnail
Tabela 2
Sumário dos resultados obtidos pelos melhores modelos após a busca pelos hiperparâmetros.

O Quadro 2 apresenta as variáveis mais relevantes para a predição de sobrevida, identificadas por meio dos métodos SHAP e PI, para cada tipo de câncer analisado. Os modelos selecionados foram aqueles que apresentaram melhor desempenho na Tabela 2 de acordo com o C-Index IPCW: XGB-AFT para mama, pulmão e colorretal; GBS para próstata e colo do útero. A variável EC (estadiamento clínico) foi de forma consistente classificada como a mais importante nos modelos de câncer de mama, próstata, colo do útero e colorretal, tanto pelos métodos SHAP quanto PI, enquanto no câncer de pulmão ela foi a mais importante apenas de acordo com o método SHAP, sendo que no método PI o tempo categorizado entre a consulta e o tratamento foi a variável mais importante. A Figura apresenta o gráfico com a distribuição dos valores de SHAP.

Thumbnail
Quadro 2
Importância das features pelos métodos SHAP e Permutation Importance.

miniatura da Figura
Figura
Valores de SHAP para interpretabilidade dos modelos de melhor desempenho, segundo tipo de câncer.

DISCUSSÃO

Este estudo se destaca ao demonstrar a aplicabilidade de modelos de SML para a predição da sobrevida em pacientes com cinco tipos de câncer. Os modelos apresentaram desempenho avaliado pelo C-Index, com valores entre 0,6686 e 0,7845, evidenciando o potencial dos algoritmos de SML para predizer a sobrevida a partir de dados coletados pelos registros de câncer. Os modelos GBS e XGB-AFT foram os que apresentaram as melhores métricas nos diversos tipos de câncer. O GBS foi superior no câncer de próstata, enquanto o XGB-AFT foi o melhor nos demais tipos de tumores. Já o RSF obteve o terceiro melhor resultado para todas as topografias. Ressalta-se ainda que os melhores algoritmos obtiveram bom desempenho preditivo, acima de 0,73, independentemente da proporção de casos censurados na amostra e do número total de pacientes incluídos. O GBS apresentou o melhor desempenho em relação ao IBS em todas as categorias de tumores.

Em estudo prévio, nosso grupo já havia identificado boa capacidade de predição a partir dos dados do registro de câncer6. Considerando a sobrevida em cinco anos, obteve-se uma acurácia de 77,9% e uma AUC de 0,858 com o XGBoost. Entretanto, naquele estudo foi necessário excluir os indivíduos que não apresentavam período completo de seguimento. Desta forma, de um total de 31.916 pacientes elegíveis, somente 23.338 (73%) puderam ser utilizados na análise. Em outra publicação, ao realizar a comparação entre estes resultados e os algoritmos de SML, os resultados demonstraram que os algoritmos para desfecho dicotômicos subestimaram a sobrevida de pacientes com câncer colorretal em até 18% no 1º ano, demonstrando que os modelos de SML são mais adequados para este tipo de análise.

Considerando o peso das entradas nos resultados dos modelos, a variável EC foi a mais importante em todas as análises, exceto na PI para o câncer de pulmão, em que ela ficou em segundo lugar. Este achado é consistente com o de outros autores18, e demonstra importância do estadiamento ao diagnóstico como principal fator prognóstico dos diversos tipos de câncer.

No câncer de mama, o modelo XGB-AFT apresentou o melhor desempenho, com C-Index de 0,7845, superando os 0,73 obtidos em um estudo com 36.958 pacientes diagnosticadas na Holanda entre 2005 e 200819. No estudo citado, o XGB obteve desempenho superior aos modelos Cox-PH, RSF e SSVM, cujos C-Indexes variaram entre 0,63 e 0,64. Na análise de importância das variáveis por SHAP, idade e estadiamento destacaram-se como os principais preditores, da mesma forma que encontramos no nosso estudo.

Para o câncer de próstata, o melhor resultado foi alcançado com o modelo GBS (C-Index = 0,7574), superior ao encontrado em um estudo que utilizou a base de dados Surveillance, Epidemiology, and End Results (SEER), que congrega os dados de 18 registros de câncer de base populacional nos Estados Unidos20. Foram utilizados os dados de pacientes diagnosticados com câncer de próstata entre 2000 e 2019, com linfonodo positivo e sem metástases, com um total de 3.280 pacientes. Na referida investigação, foi obtido um valor de C-Index de 0,745 com a técnica Gradient Boosting Survival Analysis (GBSA) e com a Extra Survival Trees (EST), superior ao dos demais modelos analisados, RSF e Cox-PH, que variaram entre 0,734 e 0,743.

No caso do câncer de pulmão, o XGB-AFT também se destacou (C-Index = 0,7368), superando os resultados obtidos em estudo que utilizou o registro de câncer de base populacional de um estado na Alemanha21. Foram utilizados os dados de pacientes diagnosticados com câncer de pulmão entre 2016 e 2021, com um total de 10.383 pacientes. Nesse estudo da literatura, o modelo RSF com imputação de variáveis obteve C-Index de 0,703, enquanto as demais abordagens (Cox-PH, DeepSurv e TabNet) apresentaram desempenho inferior (0,556 a 0,701).

Para o câncer colorretal, o XGB-AFT obteve o maior C-Index da análise (0,7618), embora inferior ao encontrado em estudo desenvolvido com uma base de dados hospitalar na China22. Foram utilizados os dados de pacientes diagnosticados com câncer colorretal entre 2012 e 2019, com um total de 2.157 pacientes. No estudo citado, foi obtido o valor de C-Index de 0,789 para o DeepHit, enquanto as demais técnicas analisadas (Cox-PH, RSF, GB, DeepSurv, Cox-Time e Neural Multitask Logistic Regression) variaram entre 0,781 e 0,787. A variável mais importante na análise SHAP do modelo DeepHit foi o estadiamento. Cabe destacar que uma variável de destaque no estudo, a margem de ressecção cirúrgica, não está disponível no RHC/SP.

Por fim, no câncer do colo do útero, o melhor algoritmo foi o XGB-AFT, que apresentou C-Index de 0,7726, abaixo do valor encontrado em estudo desenvolvido com a base de dados SEER23. Foram utilizados os dados de pacientes diagnosticadas com câncer do colo do útero entre 2013 e 2015, com um total de 3.810 pacientes. Nesse estudo da literatura, foi obtido o valor de C-Index de 0,95 para o RSF, enquanto o Cox-PH e Weibull obtiveram 0,81 e 0,80, respectivamente. A variável mais importante foi estágio T, seguida por tamanho do tumor e estadiamento. Foram utilizadas variáveis relacionadas ao tratamento, como quimioterapia e radioterapia, além da medida do tamanho do tumor, que são variáveis que optamos por não utilizar no nosso estudo.

O uso de variáveis restritas a informações individuais, do local de residência, instituição de atendimento, características clínicas e tempo até o tratamento, sem incluir tipo de tratamento ou recorrência tumoral, constitui uma fortaleza do estudo. Essa escolha amplia a aplicabilidade dos modelos em contextos reais de planejamento, pois tais dados estão disponíveis precocemente nos registros. Assim, os algoritmos desenvolvidos podem apoiar decisões estratégicas da gestão em saúde, mesmo em cenários com dados clínicos limitados. Entretanto, a ausência de informações clínicas mais específicas, como marcadores tumorais e dados de recorrência, restringe seu uso para predição clínica individual, situando sua principal contribuição no apoio à gestão e à construção de cenários em saúde.

Este estudo apresenta algumas limitações. A princípio, é importante destacar que o estudo utilizou informações do banco de dados do RHC/SP. Estes dados são coletados nos hospitais a partir dos prontuários por profissionais das próprias instituições, com equipes heterogêneas na sua composição. Embora todos os registradores recebam treinamento específico e utilizem o software SISRHC, que possui verificações internas e regras de consistência capazes de padronizar as informações, como restrição na seleção de morfologias compatíveis com cada topografia, ainda assim, podem ocorrer imprecisões, especialmente em variáveis mais complexas. Uma tentativa de mitigar este risco foi a exclusão de pacientes sem estadiamento ou com estadiamento indefinido, que sugerem pior qualidade do registro.

Além disso, a base não captura atualmente alguns fatores relevantes para a sobrevida, como raça/cor, fatores de risco como tabagismo e dados clínicos como marcadores tumorais. Estes últimos têm especial importância, tendo em vista que impactam em definições mais precisas acerca do estadiamento e da probabilidade de sobrevida. Desta forma, a atualização dos sistemas de registro para inclusão de novas variáveis poderá ampliar o potencial preditivo dos modelos.

Adicionalmente, deve ser considerado que não foi realizada comparação direta de desempenho com modelos de Cox. A aplicação desse tipo de modelo exige a proporcionalidade dos riscos ao longo do tempo, o que pode inviabilizar a inclusão de variáveis que não atendam a essa premissa2. Assim, sua utilização poderia restringir o conjunto de variáveis preditoras consideradas na análise.

Outra limitação relevante é que não foi possível calcular o IBS para os modelos XGB-AFT, XGB-COX e LGBM, em razão da ausência de estimativas de curvas de sobrevida com aderência adequada aos dados observados, mesmo após tentativas de ajuste. Futuras investigações poderão explorar variações de parametrização, pré-processamento ou adaptações metodológicas específicas para esses algoritmos, de modo a viabilizar a obtenção de curvas confiáveis e, consequentemente, o cálculo do IBS. Além disso, cabe destacar a impossibilidade de utilizar o SurvSHAP24, método específico para avaliar impacto das diferentes variáveis nas predições modelos de sobrevida. Isso ocorreu porque sua aplicação exige a geração de explicações individuais ao longo de múltiplos pontos do tempo de sobrevida, tornando o processamento particularmente oneroso em bases extensas e em modelos mais complexos. Desta forma, optou-se pela adoção do SHAP16 tradicional e do PI17 para a avaliação global da importância das variáveis.

Por fim, embora os modelos tenham apresentado bom desempenho nos dados do RHC/SP, sua aplicação em registros de outras regiões do país não foi testada. Destaca-se que uma variável de grande importância para os modelos, estadiamento clínico, tem valores de não-preenchimento elevados em algumas regiões do País, o que pode limitar a sua aplicação. Essa ausência de validação externa limita a extrapolação dos resultados para outros estados, o que pode ser objeto de futuros estudos que explorem a robustez desses modelos em bases nacionais de registro de câncer mais heterogêneas.

CONCLUSÕES

Os algoritmos de SML mostraram-se aplicáveis aos dados do RHC/SP para análise de sobrevida. O GBS, o XGB-AFT e o RSF apresentaram melhor desempenho, independentemente do tamanho da amostra ou da proporção de censura. Os resultados reforçam o potencial desses modelos para apoiar políticas públicas orientadas por evidências, identificando perfis de pacientes ou serviços com maior risco e contribuindo para o melhor direcionamento de recursos e organização das redes assistenciais.

Material suplementar

disponível em: https://doi.org/10.5281/zenodo.19250128

Referências bibliográficas

  • 1 Bray F, Laversanne M, Sung H, Ferlay J, Siegel RL, Soerjomataram I et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2024;74(3):229-63. https://doi.org/10.3322/caac.21834
    » https://doi.org/10.3322/caac.21834
  • 2 Kleinbaum DG, Klein M. Survival analysis: a self-learning text. 3a ed. New York: Springer; 2012. (Statistics for biology and health).
  • 3 Bustamante-Teixeira MT, Faerstein E, Latorre MR. Técnicas de análise de sobrevida. Cad Saude Publica. 2024;18:579-94. https://doi.org/10.1590/S0102-311X2002000300003
    » https://doi.org/10.1590/S0102-311X2002000300003
  • 4 Kourou K, Exarchos TP, Exarchos TP, Exarchos K, Exarchos KP, Karamouzis MV, et al. Machine learning applications in cancer prognosis and prediction. Comput Struct Biotechnol J. 2015;13:8-17. https://doi.org/10.1016/j.csbj.2014.11.005
    » https://doi.org/10.1016/j.csbj.2014.11.005
  • 5 Tizi W, Berrado A. Machine learning for survival analysis in cancer research: a comparative study. Sci Afr. 2023;21:e01880. https://doi.org/10.1016/j.sciaf.2023.e01880
    » https://doi.org/10.1016/j.sciaf.2023.e01880
  • 6 Cardoso LB, Parro VC, Peres SV, Curado MP, Fernandes GA, Wünsch Filho V, et al. Machine learning for predicting survival of colorectal cancer patients. Sci Rep. 2023 Jun 1;13(1):8916. https://doi.org/10.1038/s41598-023-35649-9
    » https://doi.org/10.1038/s41598-023-35649-9
  • 7 Silva GFS, Duarte LS, Shirassu MM, Peres SV, Moraes MA, Chiavegatto Filho A. Machine learning for longitudinal mortality risk prediction in patients with malignant neoplasm in São Paulo, Brazil. Artif Intell Life Sci. 2023;3:100061. https://doi.org/10.1016/j.ailsci.2023.100061
    » https://doi.org/10.1016/j.ailsci.2023.100061
  • 8 Cardoso LB, Angelo SA, Bonilha YPG, Maia F, Ribeiro AG, Curado MP et al. Methodology for comparing machine learning algorithms for survival analysis. arXiv; 2025. [cited 2025 Oct 29]. Available from: https://arxiv.org/abs/2510.24473 doi: 10.48550/ARXIV.2510.24473.
    » https://doi.org/10.48550/ARXIV.2510.24473» https://arxiv.org/abs/2510.24473
  • 9 Fundação Oncocentro de São Paulo. Banco de dados do RHC. São Paulo: FOSP; 2024 [cited 2024 Jul 20]. Available from: https://fosp.saude.sp.gov.br/fosp/diretoria-adjunta-de-informacao-e-epidemiologia/rhc-registro-hospitalar-de-cancer/banco-de-dados-do-rhc/
    » https://fosp.saude.sp.gov.br/fosp/diretoria-adjunta-de-informacao-e-epidemiologia/rhc-registro-hospitalar-de-cancer/banco-de-dados-do-rhc/
  • 10 Harrell FE, Califf RM, Pryor DB, Lee KL, Rosati RA. Evaluating the yield of medical tests. JAMA. 1982;247(18):2543-6.
  • 11 Robins JM, Rotnitzky A, Zhao LP. Estimation of regression coefficients when some regressors are not always observed. J Am Stat Assoc. 1994;89(427):846-66. https://doi.org/10.1080/01621459.1994.10476818
    » https://doi.org/10.1080/01621459.1994.10476818
  • 12 Graf E, Schmoor C, Sauerbrei W, Schumacher M. Assessment and comparison of prognostic classification schemes for survival data. Stat Med. 1999;18(17-18):2529–45. https://doi.org/10.1002/(sici)1097-0258(19990915/30)18:17/18<2529::aid-sim274>3.0.co;2-5
    » https://doi.org/10.1002/(sici)1097-0258(19990915/30)18:17/18<2529::aid-sim274>3.0.co;2-5
  • 13 Akiba T, Sano S, Yanase T, Ohta T, Koyama M. Optuna: a next-generation hyperparameter optimization framework. In: Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. Anchorage: ACM; 2019 [cited 2026 Oct 22]. P2623-31. Available from: https://dl.acm.org/doi/10.1145/3292500.3330701
    » https://dl.acm.org/doi/10.1145/3292500.3330701
  • 14 Bergstra J, Bardenet R, Bengio Y, Kégl B. Algorithms for hyper-parameter optimization. In: Shawe-Taylor J, Zemel R, Bartlett P, Pereira F, Weinberger KQ, editors. Advances in neural information processing systems. New York: Curran Associates, Inc.; 2011 [cited 2026 Apr 22]. Available from: https://proceedings.neurips.cc/paper_files/paper/2011/file/86e8f7ab32cfd12577bc2619bc635690-Paper.pdf
    » https://proceedings.neurips.cc/paper_files/paper/2011/file/86e8f7ab32cfd12577bc2619bc635690-Paper.pdf
  • 15 Hansen N. The CMA evolution strategy: a tutorial. arXiv; 2016. https://doi.org/10.48550/ARXIV.1604.00772
    » https://doi.org/10.48550/ARXIV.1604.00772
  • 16 Lundberg S, Lee SI. A unified approach to interpreting model predictions. arXiv; 2017. https://doi.org/10.48550/ARXIV.1705.07874
    » https://doi.org/10.48550/ARXIV.1705.07874
  • 17 Breiman L. Random forests. Mach Learn. 2001;45(1):5-32. doi: 10.1023/A:1010933404324.
    » https://doi.org/10.1023/A:1010933404324
  • 18 Yu W, Lu Y, Shou H, Xu H, Shi L, Geng X, et al. A 5-year survival status prognosis of nonmetastatic cervical cancer patients through machine learning algorithms. Cancer Med. 2023;12(6):6867-76. https://doi.org/10.1002/cam4.5477
    » https://doi.org/10.1002/cam4.5477
  • 19 Moncada-Torres A, van Maaren MC, Hendriks MP, Siesling S, Geleijnse G. Explainable machine learning can outperform Cox regression predictions and provide insights in breast cancer survival. Sci Rep. 2021;11(1):6968. https://doi.org/10.1038/s41598-021-86327-7
    » https://doi.org/10.1038/s41598-021-86327-7
  • 20 Peng ZH, Tian J, Chen B, Zhou H, Bi H, He M et al. Development of machine learning prognostic models for overall survival of prostate cancer patients with lymph node-positive. Sci Rep. 2023;13(1):18449. https://doi.org/10.1038/s41598-023-45804-x
    » https://doi.org/10.1038/s41598-023-45804-x
  • 21 Germer S, Rudolph C, Labohm L, Katalinic A, Rath N, Rausch K et al. Survival analysis for lung cancer patients: a comparison of Cox regression and machine learning models. Int J Med Inform. 2024;191:105607. https://doi.org/10.1016/j.ijmedinf.2024.105607
    » https://doi.org/10.1016/j.ijmedinf.2024.105607
  • 22 Yang XJ, Qiu H, Wang LY, Wang X. Predicting colorectal cancer survival using time-to-event machine learning: retrospective cohort study. J Med Internet Res. 2023;25:e44417. https://doi.org/10.2196/44417
    » https://doi.org/10.2196/44417
  • 23 Kolasseri AE, Venkataramana B. Comparative study of machine learning and statistical survival models for enhancing cervical cancer prognosis and risk factor assessment using SEER data. Sci Rep. 2024;14(1):22203. https://doi.org/10.1038/s41598-024-72790-5
    » https://doi.org/10.1038/s41598-024-72790-5
  • 24 Krzyzinski M, Spytek M, Baniecki H, Biecek P. SurvSHAP(t): time-dependent explanations of machine learning survival models. Knowl Based Syst. 2023;262:110234. https://doi.org/10.1016/j.knosys.2022.110234
    » https://doi.org/10.1016/j.knosys.2022.110234

Editado por

Disponibilidade de dados

Os dados utilizados neste estudo são provenientes do Registro Hospitalar de Câncer do Estado de São Paulo e o acesso a eles pode ser feito pelo site mediante cadastro: https://fosp.saude.sp.gov.br/fosp/diretoria-adjunta-de-informacao-e-epidemiologia/rhc-registro-hospitalar-de-cancer/banco-de-dados-do-rhc/

Datas de Publicação

  • Publicação nesta coleção
    24 Jul 2026
  • Data do Fascículo
    2026

Histórico

  • Recebido
    25 Nov 2025
  • Aceito
    1 Abr 2026
Creative Common - by 4.0
Copyright: This is an open-access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided that the original author and source are credited.
location_on
Faculdade de Saúde Pública da Universidade de São Paulo Avenida Dr. Arnaldo, 715, 01246-904 São Paulo SP Brazil, Tel./Fax: +55 11 3061-7985 - São Paulo - SP - Brazil
E-mail: revsp@usp.br
rss_feed Acompanhe os números deste periódico no seu leitor de RSS
Reportar erro