O cancro é uma doença severa que permanece entre as principais causas de mortalidade no mundo. Avanços significativos relacionados ao diagnóstico precoce e aos novos tratamentos, colaboram com um melhor prognóstico (Pulumati et al., 2023). Atualmente, existem diversas terapias que oferecem alternativas mais eficazes e específicas para cada tipo de cancro (Kaur, Bhardwaj & Gupta, 2023). Mesmo com tais avanços, o diagnóstico e o tratamento ainda representam uma fase complexa, frequentemente marcada por desgastes físicos, emocionais e sociais para a pessoa com doença oncológica (Su et al., 2024). A promoção do bem-estar desses pacientes é uma necessidade crescente, considerada ainda um grande desafio devido o envolvimento de múltiplas dimensões da experiência humana. É imprescindível incorporar o cuidado com o bem-estar como parte integrante do tratamento oncológico, adotando abordagens para o monitoramento eficiente e contínuo desses sintomas ao longo da jornada terapêutica (Son & Lee, 2025).
A literatura apresenta diversas escalas desenvolvidas para auxiliar na mensuração do bem-estar (Cummins et al., 1994; Tennant et al., 2007). No entanto, devido à natureza multidimensional e subjetiva desse conceito, ainda não existe um instrumento capaz de avaliar de forma abrangente todos os seus aspectos (Adamou et al., 2024). Essa limitação é particularmente relevante no contexto de pessoas em tratamento oncológico, em que fatores físicos, emocionais, sociais e espirituais interagem e impactam diretamente a percepção de bem-estar.
Diante da necessidade de analisar indicadores de natureza multidimensional, cresce o interesse pela incorporação de recursos tecnológicos no monitoramento do bem-estar de pessoas em tratamento oncológico (Chen et al., 2023). Entre essas inovações, os recursos computacionais, especialmente os modelos preditivos, têm se destacado como estratégias promissoras para antecipar quedas no bem-estar e apoiar a tomada de decisão clínica de forma mais personalizada, com base nos dados gerados durante o acompanhamento do paciente (Wójcik et al., 2024).
A avaliação e monitoramento contínuo do bem-estar da pessoa em tratamento é essencial para promover cuidados mais eficazes e humanizados. São perceptíveis os avanços relacionados ao uso dos recursos tecnológicos aliados à área da saúde para este fim (Nuutinen et al., 2023; Oyebode et al., 2022). Mesmo com os avanços, ainda há lacunas quanto à padronização dos indicadores, à integração dos dados e à aplicação de modelos preditivos que apoiem decisões clínicas personalizadas. Nesse contexto, torna-se necessário o desenvolvimento de novas pesquisas que identifiquem barreiras existentes e proponham estratégias para aprimorar o monitoramento do bem-estar durante o tratamento oncológico.
O cancro é tradicionalmente visto como uma doença severa, sendo uma das principais causas de mortalidade no mundo. Os avanços no diagnóstico e no tratamento têm contribuído significativamente para o aumento da sobrevida da pessoa com doença oncológica. Nesse contexto, o acompanhamento contínuo e baseado em dados precisos torna-se essencial para a obtenção de resultados clínicos melhores, com potencial impacto no bem-estar físico, emocional e social da pessoa. A adoção de soluções digitais em saúde, aliada a recursos de inteligência artificial, surge como uma estratégia promissora para apoiar o cuidado oncológico. No entanto, apesar destes avanços, persistem limitações relacionadas com a capacidade de antecipar alterações negativas no bem-estar ao longo do tratamento, o que pode comprometer a resposta clínica e a qualidade de vida. Perante este cenário, o presente projeto tem como objetivo investigar contributos para o desenvolvimento de algoritmos preditivos para a avaliação do bem estar da pessoa em tratamento antineoplásico sistémico. Espera-se que os resultados deste projeto contribuam para a otimização das estratégias de monitorização e intervenção no cuidado oncológico, promovendo melhor qualidade de vida e maior segurança para as pessoas em tratamento oncológico.
Investigar contributos para o desenvolvimento de algoritmos preditivos para a avaliação do bem estar da pessoa em tratamento antineoplásico sistémico. A proposta inclui o uso de modelos preditivos baseados em inteligência artificial, capazes de oferecer uma nova perspectiva na gestão do cuidado, ao permitir a identificação precoce de riscos e apoiar ações preventivas e personalizadas.
1) Identificar os modelos preditivos utilizados para avaliar ou monitorar o bem-estar de pessoas em tratamento oncológico.
2) Caracterizar os tipos de bem-estar avaliados (ex.: emocional, funcional, relacional) e as escalas ou instrumentos aplicados.
3) Mapear os indicadores e variáveis considerados na avaliação do bem-estar de pessoas em tratamento oncológico, incluindo dimensões físicas, emocionais, sociais e existenciais.
4) Identificar lacunas e desafios na avaliação do bem-estar, especialmente no que se refere à padronização de indicadores e à integração de dados e aplicabilidade clínica.
Este projeto propõe inovações para o monitoramento do bem-estar de pessoas em tratamento oncológico, reconhecendo a complexidade e a subjetividade que envolvem esse conceito. Embora existam diversos instrumentos já disponíveis, muitos exigem respostas extensas e repetitivas, o que pode tornar o processo cansativo. Diante disso, o projeto busca identificar indicadores eficientes e sensíveis capazes de mensurar o bem-estar de forma mais objetiva e contínua. Essa abordagem tem potencial para gerar impactos significativos na prática clínica, ao permitir a detecção precoce de quedas no bem-estar e apoiar decisões terapêuticas mais personalizadas, humanizadas e centradas nas necessidades reais da pessoa em tratamento oncológico.
O presente projeto contará com a participação consultiva de um cidadão que vivenciou o tratamento oncológico. Sua contribuição ocorrerá por meio de reuniões, nas quais poderá compartilhar percepções e opiniões sobre o tema. A experiência adquirida durante o tratamento será fundamental para apoiar a equipa na condução do estudo e na validação dos resultados, permitindo que o projeto se mantenha alinhado às reais necessidades e vivências das pessoas em tratamento oncológico.
Adamou, M., Uche-Ikonne, O., & Kamposioras, K. (2024). The Wellbeing Thermometer in Patients with Colorectal Cancer: A Validation Study. Diseases, 12(11), 280. https://doi.org/10.3390/diseases12110280
Chen, G., Bulamu, N. B., McGrane, E., & Richardson, J. (2023). Measuring the Wellbeing of Cancer Patients with Generic and Disease-Specific Instruments. Cancers, 15(4), 1351. https://doi.org/10.3390/cancers15041351
Cummins, R. A., McCabe, M. P., Romeo, Y., & Gullone, E. (1994). The Comprehensive Quality of Life Scale: Instrument development and psychometric evaluation on tertiary staff and students. Educational and Psychological Measurement, 54(2), 372–382. https://doi.org/10.1177/0013164494054002011
Kaur, R., Bhardwaj, A., & Gupta, S. (2023). Cancer treatment therapies: traditional to modern approaches to combat cancers. Molecular Biology Reports, 50(11), 9663–9676. https://doi.org/10.1007/s11033-023-08809-3
Nuutinen, M., Hiltunen, A.-M., Korhonen, S., Haavisto, I., Poikonen‐Saksela, P., Mattson, J., Manikis, G., Kondylakis, H., Simos, P., Mazzocco, K., Pat‐Horenczyk, R., Sousa, B., Cardoso, F., Manica, I., Kudel, I., & Leskelä, R.-L. (2023). Aid of a machine learning algorithm can improve clinician predictions of patient quality of life during breast cancer treatments. Health and Technology, 13(2), 229–244. https://doi.org/10.1007/s12553-023-00733-7
Oyebode, O., Fowles, J., Steeves, D., & Orji, R. (2022). Machine Learning Techniques in Adaptive and Personalized Systems for Health and Wellness. International Journal of Human–Computer Interaction, 39(9), 1938–1962. https://doi.org/10.1080/10447318.2022.2089085
Pulumati, A., Pulumati, A., Dwarakanath, B. S., Verma, A., & Papineni, R. V. L. (2023). Technological advancements in cancer diagnostics: Improvements and limitations. Cancer Reports (Hoboken), 6(2), e1764. https://doi.org/10.1002/cnr2.1764
Son, S., & Lee, S. (2025). The effect of mindfulness and emotional regulation on self‐care competence among cancer patients undergoing chemotherapy. Cancer Nursing, 48(3), e203–e208. https://doi.org/10.1097/NCC.0000000000001400
Su, C.-H., Liu, Y., Hsu, H.-T., & Kao, C.-C. (2024). Cancer fear, emotion regulation, and emotional distress in patients with newly diagnosed lung cancer. Cancer Nursing, 47(1), 56–63. https://doi.org/10.1097/NCC.0000000000001150
Tennant, R., Hiller, L., Fishwick, R., Platt, S., Joseph, S., Weich, S., Parkinson, J., Secker, J., & Stewart‐Brown, S. (2007). The Warwick–Edinburgh Mental Well‐being Scale (WEMWBS): Development and UK validation. Health and Quality of Life Outcomes, 5, 63. https://doi.org/10.1186/1477-7525-5-63
Wójcik, Z., Dimitrova, V., Warrington, L., Velikova, G., Absolom, K. (2024). Patient-Centric Approach for Utilising Machine Learning to Predict Health-Related Quality of Life Changes During Chemotherapy. In: Finkelstein, J., Moskovitch, R., Parimbelli, E. (eds) Artificial Intelligence in Medicine. AIME 2024. Lecture Notes in Computer Science(), vol 14844. Springer, Cham. https://doi.org/10.1007/978-3-031-66538-7_12
10/04/2025
10/04/2026
Person-centred care: from the conceptual models to its implementation
Care Systems, Organization, Models, and Technology