Dupla predição baseada em Aprendizado de Máquina para priorização de pacientes com câncer de mama no Sistema Único de Saúde

• Samantha Mendonça Fundação Paulo Feitoza
• Bianca Costa Fundação Paulo Feitoza
• Álef Monteiro Fundação Paulo Feitoza
• Abraão Paixão Fundação Paulo Feitoza
• Italo P. Caliari Fundação Paulo Feitoza
• Hendrio Bragança Fundação Paulo Feitoza
• Wington L. Vital Fundação Paulo Feitoza
• Antonio P. Fontenele Fundação Paulo Feitoza

DOI: https://doi.org/10.5753/semish.2026.21132

Resumo

O câncer de mama é a neoplasia mais comum entre mulheres no Brasil, enfrentando gargalos institucionais no cumprimento da Lei nº 12.732/2012. Este estudo propõe um framework de dupla predição como prova de conceito, analisando dois eixos em bases públicas distintas: (i) risco biológico de malignidade (base Breast Cancer Wisconsin Diagnostic) e (ii) risco assistencial de atraso no tratamento (Painel Oncologia/DATASUS). Propõe-se a integração via Priority Score para cenários futuros de vinculação de dados clínicos e administrativos. Na predição de malignidade, o modelo SVM alcançou 98,2% de acurácia. No eixo assistencial, um ensemble Voting Classifier obteve AUC-ROC de 0,6439 e lift de 1,29×, identificando grupos com taxa de atraso de 85,63%. As análises por UF e CNES indicam que o risco de atraso é fortemente associado ao contexto geográfico e institucional. Assim, o Priority Score proposto pode auxiliar a regulação de filas no SUS, priorizando casos com maior vulnerabilidade operacional.

Referências

Ang, S. P., Lee, E., Chia, J. E., Iglesias, M., Di Vanna, M., Shambhavi, S., and Iglesias, J. (2025). Time-to-treatment initiation and its effect on all-cause mortality: Insights from the Surveillance, Epidemiology, and End Results database. World Journal of Oncology, 16(3):286–294. PMID: 40556964; PMCID: PMC12185122.

Cserni, G. (2020). Histological type and typing of breast carcinomas and the who classification changes over time. PMC, pages 25–41.

Cui, Y., Koop, E. A., Van Diest, P. J., Kandel, R. A., and Rohan, T. E. (2006). Nuclear morphometric features in benign breast tissue and risk of subsequent breast cancer. Breast Cancer Research and Treatment, 97(2):103–107.

de Medeiros, G. C., Teodózio, C. G. C., Fabro, E. A. N., Aguiar, S. S., Lopes, A. H. M., Conte, B. C., Silva, E. V., Coelho, L. L. P., Muniz, N. F., Schuab, S. I. P. C., Bergmann, A., and Thuler, L. C. S. (2020). Fatores associados ao atraso entre o diagnóstico e o início do tratamento de câncer de mama: um estudo de coorte com 204.130 casos no brasil. Revista Brasileira de Cancerologia, 66(3):e–09979.

Ferreira, N. A. S., Carvalho, S. M. F., Valenti, V. E., Bezerra, I. M. P., Batista, H. M. T., de Abreu, L. C., Matos, L. L., and Adami, F. (2017). Treatment delays among women with breast cancer in a low socio-economic status region in Brazil. BMC Women’s Health, 17(1):13. PMID: 28222726; PMCID: PMC5320774.

Freihat, O., Sipos, D., and Kovacs, A. (2025). Global burden and projections of breast cancer incidence and mortality to 2050: a comprehensive analysis of GLOBOCAN data. Frontiers in Public Health, 13:1622954. PMID: 41246094; PMCID: PMC12611818.

Frosch, Z. A. K., Hasler, J., Handorf, E., et al. (2023). Development of a multilevel model to identify patients at risk for delays in cancer treatment initiation. JAMA Network Open, 6(8):e2328712. Título traduzido: Desenvolvimento de um modelo multinível para identificar pacientes com risco de atraso no início do tratamento do câncer.

Ghantasala, G. S. P., Kunchala, A., R, S., B, V. N., Raparthi, Y., and Vidyullatha, P. (2023). Machine learning based ensemble classifier using Wisconsin dataset for breast cancer prediction. In 2023 International Conference on Integrated Intelligence and Communication Systems (ICIICS), pages 1–4, Kalaburagi, India.

Gomes, F. d. B. C. (2013). Lei sobre tratamento de câncer no SUS: análise dos dispositivos e perspectivas. Cadernos Ibero-Americanos de Direito Sanitário, 2(1):81–87.

Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and Tensor-Flow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media, Sebastopol, CA, 2 edition.

Hugar, S. and V, S. (2024). Breast cancer classification using logistic regression: An efficient and scalable approach. In IEEE.

Instituto Nacional de Câncer (2020). Relatório do intervalo entre diagnóstico e início do tratamento do câncer no SUS: dados do PAINEL-Oncologia. Rio de Janeiro. Acesso em: 2 jan. 2026.

Instituto Nacional de Câncer (2022). Estimativa 2023: Incidência de Câncer no Brasil. INCA, Rio de Janeiro. Acesso em: 2 jan. 2026.

Kalamkar, S. and Mary A., G. (2020). Fusão de dados clínicos e técnicas de aprendizado de máquina para saúde inteligente. In Conferência Internacional de Tecnologia da Indústria 4.0 (I4Tech) de 2020, pages 211–216, Pune, India.

Kumar, V. (2025). Avanços em inteligência artificial para oncologia: Uma revisão abrangente de técnicas, desafios e aplicações. In Sétima Conferência Internacional sobre Inteligência Computacional e Tecnologias de Comunicação (CCICT), pages 40–47, Sonepat, India.

Maheshwar and Kumar, G. (2019). Breast cancer detection using decision tree, naïve bayes, knn and svm classifiers: A comparative study pdf. In IEEE.

S, N., J, S., M, V., S, S., and G, S. (2022). SVM-ANN optimized algorithm for the classification of breast cancer data as benign and malignant. In 2022 Smart Technologies, Communication and Robotics (STCR), pages 1–7. Acesso em: 2 out. 2025.

Silva, F. d. P. C. d., Souza, M. C., and Bertoni, N. (2024). Factors associated with delayed initiation of breast cancer treatment at an oncology referral center in Juiz de Fora, Minas Gerais state, from 2010 to 2019: a cohort study. Epidemiologia e Serviços de Saúde, 33:e20231177.

Soliman, A., Li, Z., and Parwani, A. V. (2024). Impact of artificial intelligence in breast cancer pathology: a review of the literature. Diagnostic Pathology, 19(38).

Street, W. N., Wolberg, W. H., and Mangasarian, O. L. (1993). Nuclear feature extraction for breast tumor diagnosis. In Acharya, R. S. and Goldgof, D. B., editors, Biomedical Image Processing and Biomedical Visualization, volume 1905, pages 861 – 870. International Society for Optics and Photonics, SPIE.

Thepade, S. D., Patil, R. Y., Fasate, A., Patil, A., Padhen, C., and Kadam, P. (2025). Aprimorando a detecção de câncer de mama usando aprendizado profundo híbrido e recursos artesanais. In 9ª Conferência Internacional sobre Computação, Comunicação, Controle e Automação (ICCUBEA), pages 01–07, Pune, India.

Uchikov, P., Khalid, U., Dedaj-Salad, G. H., Ghale, D., Rajadurai, H., Kraeva, M., Kraev, K., Hristov, B., Doykov, M., Mitova, V., Bozhkova, M., Markov, S., and Stanchev, P. (2024). Artificial intelligence in breast cancer diagnosis and treatment: Advances in imaging, pathology, and personalized care. Life, 14(11):1451. PMID: 39598249; PMCID: PMC11595975.

Verras, G.-I., Tchabashvili, L., Chlorogiannis, D.-D., Mulita, F., and Argentou, M.-I. (2023). Updated clinical evidence on the role of adipokines and breast cancer: A review. Cancers, 15(6):1572.