Câncer é um termo genérico que inclui um amplo espectro de gravidade da doença, desde aquelas que são malignas, metastáticas e agressivas até lesões benignas com muito baixo potencial de progressão ou morte. A capacidade de prognóstico dos resultados dos pacientes facilitaria o tratamento de várias doenças malignas: pacientes cujo câncer provavelmente avançaria rapidamente receberiam o tratamento necessário, compatível com a biologia prevista da doença. Modelos prognósticos anteriores baseados em variáveis clínicas (idade, sexo, estágio do câncer, grau do tumor etc.), embora úteis, não podem explicar as diferenças genéticas, a etiologia molecular, a heterogeneidade do tumor e importantes mecanismos biológicos do hospedeiro. Portanto, modelos prognósticos recentes mudaram para a integração de informações complementares disponíveis em dados moleculares e variáveis clínicas para melhor prever os resultados dos pacientes: estado vital (sobrevida geral), metástase (sobrevida livre de metástase) e recorrência (sobrevida livre de progressão). Neste artigo, revisamos 20 abordagens de previsão de sobrevivência que integram dados clínicos e multiômicos para prever os resultados dos pacientes. Discutimos suas estratégias para modelar o tempo de sobrevivência (contínuo e discreto), a incorporação de medidas moleculares e variáveis clínicas em modelos de risco (dados clínicos e multiômicos), como lidar com registros censurados de pacientes, a eficácia das técnicas de integração de dados, metodologias de previsão, validação de modelos e métricas de avaliação. O objetivo é informar os cientistas da vida sobre os recursos disponíveis e fornecer uma revisão completa dos elementos fundamentais da previsão de sobrevivência. Ao mesmo tempo, descrevemos detalhadamente os prós e os contras de cada metodologia e discutimos em profundidade os desafios pendentes que precisam ser enfrentados no desenvolvimento futuro de métodos.
Palavras-chave: variáveis clínicas ; rede neural profunda; integração multiômica; predição de sobrevivência.
