INFERÊNCIA BAYESIANA COMO FERRAMENTA PARA REDUÇÃO DE INCERTEZAS DIAGNÓSTICAS EM CÂNCER
DOI:
https://doi.org/10.63330/aurumpub.044-015Palavras-chave:
Câncer, Diagnóstico, Inferência Bayesiana, Incerteza Diagnóstica, OncologiaResumo
A crescente complexidade do diagnóstico oncológico, associada à heterogeneidade tumoral e às limitações dos métodos tradicionais, evidencia a necessidade de abordagens que reduzam as incertezas clínicas e aprimorem a tomada de decisão. Nesse contexto, a inferência bayesiana emerge como uma ferramenta relevante ao possibilitar a integração entre probabilidades prévias e novas evidências clínicas. O presente estudo teve como objetivo analisar a aplicação da inferência bayesiana na redução de incertezas diagnósticas em câncer, por meio de uma revisão integrativa da literatura. A busca foi realizada nas bases SciELO, PubMed e Scopus, considerando publicações entre 2021 e 2026, nos idiomas português, inglês e espanhol. Foram incluídos estudos que abordaram o uso de métodos bayesianos no diagnóstico, prognóstico e condução de ensaios clínicos em oncologia. Os resultados evidenciaram que a inferência bayesiana contribui significativamente para o aprimoramento do raciocínio clínico, ao permitir a atualização contínua das probabilidades diagnósticas e reduzir vieses cognitivos. Além disso, sua aplicação em modelos preditivos, análise de sobrevivência e ensaios clínicos adaptativos demonstrou maior flexibilidade metodológica e robustez estatística, especialmente em cenários de alta incerteza e amostras reduzidas. Destaca-se ainda seu papel na oncologia de precisão, ao integrar dados clínicos e moleculares para personalização do cuidado. Conclui-se que a inferência bayesiana representa uma abordagem promissora para qualificar o diagnóstico oncológico, contribuindo para decisões mais seguras e fundamentadas.
Downloads
Referências
AGEMA, B. C.; KOCH, B. C. P.; MATHIJSSEN, R. H. J.; KOOLEN, S. L. W. From prospective evaluation to practice: model-informed dose optimization in oncology. Drugs, v. 85, n. 4, p. 487-503, 2025.
BANOS-CHAPARRO, Jonatan; CAYCHO-RODRIGUEZ, Tomás. Coeficiente ômega bayesiano: aplicaciones en ciencias de la salud. Medicina Clínica Social, Santa Rosa del Aguaray, v. 8, n. 2, p. 244-247, 2024.
BARTOŠ, F.; AUST, F.; HAAF, J. M. Informed Bayesian survival analysis. BMC Medical Research Methodology, v. 22, n. 1, p. 238, 2022.
CERDA, Jaime et al. Bayesian analysis of a randomized controlled trial: mathematical and clinical aspects. Revista Chilena de Infectología, Santiago, v. 42, n. 2, p. 157-165, 2025.
CHEN, L.; PAN, J.; WU, Y.; WANG, J.; CHEN, F.; ZHAO, J.; CHEN, P. Bayesian two-stage design for phase II oncology trials with binary endpoint. Statistics in Medicine, v. 41, n. 12, p. 2291-2301, 2022.
CHU, J.; SUN, N. A.; HU, W.; CHEN, X.; YI, N.; SHEN, Y. The application of Bayesian methods in cancer prognosis and prediction. Cancer Genomics & Proteomics, v. 19, n. 1, p. 1-11, 2022.
CORREA-AGUILA, Raidel; ALONSO-PUPO, Niuxia; HERNÁNDEZ-RODRÍGUEZ, Erix W. Multi-omics data integration approaches for precision oncology. Molecular Omics, v. 18, n. 6, p. 469-479, 2022.
FORNACON-WOOD, I.; MISTRY, H.; JOHNSON-HART, C.; FAIVRE-FINN, C.; O'CONNOR, J. P. B.; PRICE, G. J. Bayesian methods provide a practical real-world evidence framework for evaluating the impact of changes in radiotherapy. Radiotherapy and Oncology, v. 176, p. 53-58, 2022.
LORCA, Jaime Cerda; AGUILA, Lorena Cifuentes. Inferencia bayesiana en el proceso de diagnóstico clínico: un enfoque docente para la toma de decisiones. Revista Chilena de Infectología, Santiago, v. 41, n. 6, p. 762-768, 2024.
PASETTO, S.; GATENBY, R. A.; ENDERLING, H. Bayesian framework to augment tumor board decision making. JCO Clinical Cancer Informatics, v. 5, p. 508-517, 2021.
POURZANJANI, A.; MODI, S.; CONNARN, J.; ZHANG, X.; UPRETI, V.; LIN, C. W.; MEHTA, K. A novel Bayesian generative approach for estimating tumor dynamics from published studies. CPT: Pharmacometrics & Systems Pharmacology, v. 13, n. 8, p. 1341-1353, 2024.
SONDHI, A.; SEGAL, B.; SNIDER, J.; HUMBLET, O.; MCCUSKER, M. Bayesian additional evidence for decision making under small sample uncertainty. BMC Medical Research Methodology, v. 21, n. 1, p. 221, 2021.
SONG, K. W.; WEN, P. Y. Novel trial designs in neuro-oncology. Current Opinion in Neurology, v. 36, n. 6, p. 571-578, 2023.
SOUSA, Marcos Roberto; AGUIAR, Thiago Ribeiro Xavier de. Dedução, indução e a arte do raciocínio clínico na educação médica: revisão sistemática e proposta bayesiana. Arquivos Brasileiros de Cardiologia, v. 119, n. 5, p. 27-34, 2022.
SU, L.; CHEN, X.; ZHANG, J.; YAN, F. Comparative study of Bayesian information borrowing methods in oncology clinical trials. JCO Precision Oncology, v. 6, e2100394, 2022.
TAYLOR, C.; PUXTY, K.; QUASIM, T.; SHAW, M. Understanding Bayesian analysis of clinical trials: an overview for clinicians. Critical Care Science, v. 37, e20250267, 2025.
TENG, J.; ZHANG, H.; LIU, W.; SHU, X. O.; YE, F. A dynamic Bayesian model for breast cancer survival prediction. IEEE Journal of Biomedical and Health Informatics, v. 26, n. 11, p. 5716-5727, 2022.
XU, J. Bayesian analyses of multiple random change points in survival models with applications to clinical trials. Journal of Biopharmaceutical Statistics, v. 36, n. 2, p. 195-212, 2026.
YAO, Z.; MORITA, S.; NISHIDA, S.; SUGIYAMA, H. Bayesian predictive model averaging approach to joint longitudinal-survival modeling: application to an immuno-oncology clinical trial. Statistics in Medicine, v. 42, n. 27, p. 4990-5006, 2023.
ZHANG, Z.; CHAI, H.; WANG, Y.; PAN, Z.; YANG, Y. Cancer survival prognosis with deep Bayesian perturbation Cox network. Computers in Biology and Medicine, v. 141, p. 105012, 2022.
ZHOU, J.; JIANG, X.; XIA, H. A.; WEI, P.; HOBBS, B. P. A survival mediation model with Bayesian model averaging. Statistical Methods in Medical Research, v. 30, n. 11, p. 2413-2427, 2021.
Downloads
Publicado
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
