A Previsão de Pneumonite do CIPHER Encontra Risco Oculto em TC de Rotina, mas a Comprovação Clínica Virá Depois

A previsão de pneumonite do CIPHER identificou pacientes com câncer de pulmão de alto risco antes da imunoterapia, sem receber uma nova tomografia nem um biomarcador especializado. O modelo analisou imagens de TC de rotina feitas antes do tratamento e alcançou uma área sob a curva próxima de 0,83 em dois centros médicos.

Esse resultado aborda um problema difícil no tratamento do câncer. Os inibidores de checkpoint imunológico podem ajudar o sistema imune a atacar tumores, mas também podem desencadear pneumonite. Essa inflamação pulmonar pode se tornar fatal e continua difícil de prever antes do surgimento dos sintomas.

A comparação importante não é entre IA e médicos. É entre o CIPHER e a combinação incompleta atual de fatores clínicos de risco, avaliação visual e radiômica convencional. O modelo teve desempenho melhor retrospectivamente, mas evidências clínicas prospectivas agora precisam mostrar se suas previsões melhoram o cuidado aos pacientes.

CIPHER Transforma uma TC Existente em um Sinal de Risco Antes do Tratamento

A mudança imediata é simples: uma TC de tórax de rotina pode conter um alerta útil sobre futura toxicidade da imunoterapia.

Pesquisadores do The University of Texas MD Anderson Cancer Center desenvolveram o CIPHER, sigla em inglês para Checkpoint-Inhibitor Pneumonitis Hazard EstimatoR. O modelo avalia tomografias computadorizadas obtidas antes de um paciente iniciar o tratamento com inibidores de checkpoint imunológico.

Os inibidores de checkpoint imunológico bloqueiam sinais que restringem as células imunes. Isso pode fortalecer a resposta imunológica contra o câncer, mas também pode direcionar a inflamação a tecidos saudáveis.

A complicação relevante é a pneumonite induzida por inibidores de checkpoint imunológico, frequentemente abreviada como ICI-P. Trata-se de uma inflamação do tecido pulmonar associada à terapia com inibidores de checkpoint.

A pneumonite pode se parecer com infecção, progressão tumoral ou outras condições pulmonares nas imagens e nos sintomas. Os pacientes podem desenvolver tosse, falta de ar, desconforto no peito ou redução dos níveis de oxigênio.

O MD Anderson afirma que a condição ocorre em cerca de 10% dos pacientes com câncer de pulmão que recebem imunoterapia. A incidência exata varia conforme os tratamentos, as populações, as definições e os desenhos dos estudos.

Os médicos já examinam TCs pré-tratamento ao planejar o cuidado. A proposta do CIPHER é que essas mesmas imagens contenham informações sutis sobre a vulnerabilidade pulmonar antes do início do tratamento.

O modelo não exige uma consulta de imagem separada. Também não depende de um novo agente de contraste nem de uma amostra invasiva de tecido.

Isso torna a previsão de risco com TCs de rotina operacionalmente atraente. Os hospitais já possuem os dados de entrada, embora a implementação ainda exija integração de software, governança e validação clínica.

Os pesquisadores relataram seus resultados no estudo CIPHER, publicado online em 18 de setembro de 2026. O MD Anderson divulgou seu resumo da pesquisa em 24 de setembro.

O estudo se concentrou em pacientes com câncer de pulmão de células não pequenas, ou NSCLC. Esta é a categoria ampla mais comum de câncer de pulmão.

O CIPHER foi testado em exames pré-tratamento de 347 pacientes do MD Anderson. Uma validação externa utilizou 116 pacientes da Johns Hopkins.

O modelo produziu uma AUC de aproximadamente 0,83 em ambos os contextos. A AUC mede quão bem um modelo classifica pacientes com e sem um desfecho em diferentes limiares.

Uma AUC de 0,83 não significa que o modelo tenha 83% de precisão. Ela indica boa capacidade de discriminação, mas deixa sem resolução a seleção do limiar e as consequências clínicas.

Essa distinção importa porque uma pontuação de risco não é um diagnóstico. O CIPHER prevê suscetibilidade antes do tratamento, em vez de detectar um caso já existente de pneumonite.

A notícia, portanto, é mais limitada do que um sistema automatizado de decisão clínica. Os pesquisadores encontraram um sinal reproduzível em imagens existentes, mas não estabeleceram um novo padrão de cuidado.

A tensão começa aí. Dados de rotina tornam o sistema mais fácil de imaginar em uso, enquanto as evidências retrospectivas limitam o que os clínicos devem fazer com seu resultado hoje.

Por Que um Alerta Mais Antecipado Importa no Cuidado com Imunoterapia

Um alerta mais antecipado só importa se ajudar os clínicos a monitorar o risco sem reter desnecessariamente um tratamento eficaz contra o câncer.

Os inibidores de checkpoint se tornaram tratamentos importantes para vários tipos de câncer. Seus benefícios criam um difícil problema de equilíbrio porque os efeitos colaterais relacionados ao sistema imune podem afetar múltiplos órgãos.

A inflamação pulmonar recebe atenção especial na oncologia torácica. Pacientes com câncer de pulmão já podem ter sintomas respiratórios, exposição prévia à radiação, danos relacionados ao tabagismo ou outras condições pulmonares.

Esses fatores sobrepostos tornam a previsão e o diagnóstico difíceis. Uma nova tosse após o tratamento não estabelece automaticamente pneumonite, e uma avaliação basal normal não elimina o risco futuro.

As equipes clínicas atualmente consideram variáveis como idade, histórico de tabagismo, tipo de tumor, regime de tratamento e radioterapia torácica prévia. Elas também analisam imagens pré-tratamento em busca de anormalidades pulmonares visíveis.

No entanto, esses fatores não explicam completamente quem desenvolve ICI-P. A avaliação visual também pode variar entre os leitores, especialmente quando os padrões relevantes são sutis ou difusos.

Um modelo de IA para risco de pneumonite poderia adicionar uma pontuação consistente derivada de imagens a esse processo. A pontuação poderia identificar pacientes que merecem observação mais próxima após o início da terapia.

Possíveis respostas incluem verificações mais frequentes de sintomas, limiares mais baixos para exames de imagem de acompanhamento ou avaliação pulmonar mais precoce. Essas ações ainda exigem testes em uma trajetória prospectiva de cuidado.

Uma classificação de alto risco não deve cancelar automaticamente a imunoterapia. O estudo não avaliou se substituir, adiar ou alterar o tratamento contra o câncer melhora os resultados para pacientes sinalizados pelo modelo.

Essa é a principal limitação clínica. Uma terapia eficaz contra o câncer tem um benefício potencial conhecido, enquanto o CIPHER atualmente fornece uma estimativa de risco de toxicidade em estágio de pesquisa.

Os falsos negativos trazem um perigo evidente. Um paciente classificado como de menor risco poderia receber monitoramento de rotina e mais tarde desenvolver pneumonite grave.

Os falsos positivos criam um problema diferente. Exames adicionais, consultas ou hesitação em relação ao tratamento poderiam sobrecarregar pacientes que jamais desenvolveriam a complicação.

As consequências, portanto, dependem de como um hospital seleciona um limiar de decisão. Um limiar orientado para triagem poderia priorizar a sensibilidade, aceitando mais alarmes falsos.

Um limiar de intervenção mais restrito poderia favorecer a especificidade. Essa abordagem identificaria menos pacientes, mas poderia reduzir escalonamentos desnecessários.

A coorte externa ajuda a ilustrar esse equilíbrio. Ela incluiu 20 pacientes com ICI-P e 96 sem a condição.

O CIPHER identificou corretamente 16 dos 20 casos de pneumonite. Também classificou corretamente 80 dos 96 pacientes sem a condição.

Esses números são encorajadores, mas vêm de uma coorte retrospectiva limitada. Uma população clínica maior poderia ter prevalência diferente da doença, tratamentos distintos e condições pulmonares concorrentes.

O grupo de alto risco do modelo também desenvolveu pneumonite mais cedo após o início da imunoterapia. Essa descoberta sugere que a pontuação capturou uma vulnerabilidade clinicamente significativa, em vez de apenas separar casos que ocorreriam posteriormente.

No entanto, a associação não estabelece que mudar a vigilância evitará desfechos graves. O próximo estudo precisa conectar a previsão a uma ação clínica específica e a um benefício mensurável para o paciente.

É por isso que o CIPHER pressiona a prática existente sem substituí-la. Os fatores clínicos continuam necessários, mas as imagens podem conter informações que a interpretação de rotina deixa sem uso.

Como a Previsão de Pneumonite do CIPHER Aprende sem Novos Testes

A distinção técnica do CIPHER é que ele primeiro aprendeu amplamente a estrutura pulmonar e depois buscou desvios associados à toxicidade posterior.

Os pesquisadores pré-treinaram o CIPHER com 590.284 cortes de TC de 2.500 pacientes com NSCLC. O pré-treinamento ensina a um modelo representações gerais de imagem antes de adaptá-lo a uma tarefa mais restrita.

O CIPHER combina aprendizado contrastivo com um autoencoder mascarado baseado em transformer. O aprendizado contrastivo ensina o sistema quais representações de imagem devem parecer semelhantes ou diferentes.

Um autoencoder mascarado oculta partes de uma entrada e aprende a reconstruir as informações ausentes. Esse processo incentiva o modelo a representar uma estrutura de tecido mais ampla, em vez de memorizar um único rótulo.

Ambos os métodos são formas de aprendizado autossupervisionado. As imagens fornecem seus próprios sinais de treinamento, reduzindo a dependência de grandes conjuntos de dados rotulados manualmente.

Essa característica importa porque os casos confirmados de ICI-P são relativamente escassos. Os registros médicos também podem conter diagnósticos ambíguos, gradação inconsistente e explicações concorrentes complexas.

Após o pré-treinamento, os pesquisadores adaptaram o modelo usando uma coorte interna de imunoterapia. Essa coorte continha 347 pacientes do MD Anderson, incluindo 33 casos de ICI-P avaliados por especialistas.

A etapa de ajuste fino utilizou 254 pacientes que não desenvolveram ICI-P. Um conjunto separado, mantido fora do treinamento, continha 33 casos e 60 controles para avaliação.

Esse desenho incomum significou que o sistema não aprendeu simplesmente uma fronteira convencional a partir de muitos exemplos rotulados de pneumonite. Ele aprendeu representações pulmonares comuns e então identificou desvios associados ao risco futuro.

Jia Wu, um dos autores seniores do estudo, enfatizou essa diferença. O modelo não foi projetado para encontrar pneumonite existente na tomografia basal.

Em vez disso, suas representações aprendidas destacaram anormalidades sutis associadas à suscetibilidade posterior. Os mapas de atenção do modelo apontaram para regiões pulmonares que os pesquisadores consideraram clinicamente relevantes.

Mapas de atenção podem ajudar os investigadores a inspecionar quais áreas da imagem influenciaram um resultado. Eles não explicam completamente o raciocínio de um modelo nem estabelecem um mecanismo biológico.

Essa limitação deve permanecer visível. Um mapa de calor pode apoiar a revisão, mas não pode provar que o tecido destacado causou uma reação imune futura.

A equipe também testou se o CIPHER apenas reproduzia fatores clínicos de risco já conhecidos. Sua previsão permaneceu significativa após considerar idade, tabagismo, histologia e radioterapia torácica prévia.

Isso sugere que o modelo capturou informações adicionais de imagem. Não demonstra que o modelo seja independente de todas as variáveis clínicas ou técnicas ocultas.

A avaliação externa da Johns Hopkins é uma das características mais fortes do estudo. Instituições diferentes podem usar scanners, configurações de reconstrução, protocolos de imagem e práticas de seleção de pacientes distintos.

O CIPHER manteve uma AUC de 0,83 e uma precisão balanceada de 81,7% nesse grupo externo. A precisão balanceada calcula a média do desempenho entre as classes de desfecho, reduzindo a distorção causada por tamanhos desiguais das classes.

A validação externa frequentemente revela modelos que funcionam apenas dentro de seu ambiente de desenvolvimento. O resultado consistente do CIPHER, portanto, fortalece o argumento para testes adicionais.

Ainda assim, dois centros acadêmicos não representam todos os hospitais. Ambientes de imagem comunitários podem incluir scanners mais antigos, padrões de encaminhamento diferentes e qualidade de dados mais variável.

O modelo também aborda uma população definida. Ele estudou pacientes com NSCLC que recebem inibidores de checkpoint imunológico, não todos os pacientes com câncer que recebem imunoterapia.

Os pesquisadores planejam avaliar outros tipos de câncer e contextos de tratamento. Até lá, as evidências disponíveis sustentam uma alegação específica, não um mecanismo universal de risco em imunoterapia.

O resumo do estudo e o registro de preprint anterior também mostram a evolução do projeto. O preprint foi publicado antes da versão em periódico com revisão por pares.

Essa cronologia oferece uma transparência útil. Ela também permite que os leitores diferenciem a divulgação preliminar da posterior publicação do estudo em periódico.

A Verdadeira Disputa É Entre a Pontuação de Risco por IA e a Avaliação Convencional

CIPHER importa porque superou comparadores clínicos e de radiômica, não porque eliminou a necessidade de ambos.

Modelos clínicos convencionais combinam variáveis documentadas dos pacientes para estimar o risco. Sua força está na interpretabilidade, pois cada entrada frequentemente tem uma relação compreensível com o cuidado.

Sua fraqueza é a representação incompleta. Uma lista curta de variáveis não consegue codificar todos os padrões sutis de tecido visíveis em centenas de cortes de tomografia computadorizada.

A radiômica adota uma abordagem diferente. Ela transforma imagens médicas em medições projetadas que descrevem intensidade, textura, forma ou variação espacial.

Essas características podem revelar padrões que a inspeção visual não detecta. No entanto, a radiômica convencional depende de escolhas de segmentação, definições de características e pipelines analíticos cuidadosamente construídos.

CIPHER substitui grande parte dessa engenharia manual de características por representações aprendidas. Seu processo de treinamento determina quais padrões de imagem são úteis para a tarefa.

Na comparação interna, o modelo de risco de pneumonite por IA alcançou uma AUC de 0,83. Ele superou modelos comparadores clínicos, de radiômica e de conjunto.

A comparação externa esclareceu ainda mais a diferença. O modelo de radiômica alcançou 85% de sensibilidade, mas apenas 45,8% de especificidade.

Alta sensibilidade significa que o comparador detectou muitos pacientes que desenvolveram pneumonite. Baixa especificidade significa que ele também classificou muitos pacientes não afetados como positivos.

CIPHER apresentou maior especificidade sem sacrificar a sensibilidade no teste externo relatado. Uma comparação estatística com a radiômica produziu um valor de p de DeLong de 0,0318.

Esse resultado sustenta uma diferença de desempenho dentro deste conjunto de dados. Ele não garante a mesma diferença após a implantação, mudanças de software ou alterações na população.

Portanto, a interpretação mais útil é aditiva. CIPHER pode processar padrões que a revisão clínica padrão não quantifica, enquanto os clínicos acrescentam um contexto que as imagens não podem conter.

Uma tomografia computadorizada não registra todos os medicamentos, sintomas, resultados laboratoriais ou preferências de tratamento. Ela também não pode determinar se um paciente aceitaria monitoramento adicional ou terapia modificada.

Da mesma forma, uma lista de verificação clínica pode não captar sinais estruturais precoces distribuídos pelo tecido pulmonar. O sistema futuro mais robusto poderá combinar imagens, dados clínicos e outros biomarcadores.

A equipe de pesquisa identifica a avaliação multimodal como o próximo passo. Biomarcadores do sangue, testes pulmonares ou histórico de tratamento podem melhorar a calibração ou explicar falhas do modelo.

Isso cria uma segunda comparação, além de CIPHER versus radiômica. A previsão baseada apenas em imagens terá, por fim, de competir com modelos combinados que usam vários tipos de dados.

Mais entradas nem sempre criam uma ferramenta clínica melhor. Sistemas multimodais podem se tornar mais difíceis de implantar, auditar e reproduzir entre hospitais.

A previsão de risco por tomografia computadorizada de rotina tem uma importante vantagem prática nesse contexto. Ela começa com dados já gerados durante o tratamento padrão do câncer.

No entanto, dados existentes não são automaticamente dados limpos. Espessura dos cortes de tomografia, filtros de reconstrução, fabricantes de scanners, artefatos de movimento e cobertura pulmonar incompleta podem influenciar o comportamento do modelo.

Os hospitais precisariam de padrões de pré-processamento e regras de controle de qualidade. Também precisariam de uma política para exames que não passem nessas verificações.

O desenho do fluxo de trabalho importa tanto quanto a arquitetura do modelo. Uma pontuação de risco que chega após o início do tratamento oferece menos valor do que uma disponível durante o planejamento.

A saída também deve chegar ao profissional correto. Oncologistas, radiologistas, pneumologistas e equipes de informática podem interpretar a mesma pontuação de formas diferentes.

Essas questões explicam por que o principal adversário continua sendo a avaliação convencional, e não outro produto de IA nomeado. O primeiro desafio de CIPHER é provar valor clínico adicional em relação ao cuidado atual.

Um teste comparativo direto entre algoritmos é apenas o passo inicial. A comparação decisiva medirá desfechos dos pacientes, carga de trabalho da equipe, falsos alarmes e continuidade do tratamento.

O Que uma AUC de 0,83 Ainda Não Comprova

CIPHER tem evidências retrospectivas críveis, mas não demonstrou que o uso de sua pontuação melhora decisões ou previne pneumonite grave.

A validação externa reduz a preocupação de um resultado puramente de centro único. Ela não elimina as limitações compartilhadas por muitos estudos retrospectivos de IA médica.

Os pesquisadores avaliaram exames e desfechos que já existiam. Eles não alocaram pacientes prospectivamente para monitoramento guiado por CIPHER ou monitoramento padrão.

Como resultado, o estudo não pode determinar se os clínicos agiriam de forma consistente com base na pontuação. Tampouco pode mostrar se essas ações ajudariam os pacientes.

A validação prospectiva deve começar antes da tradução clínica, como conclui o artigo. Isso significa testar o sistema em pacientes futuros sob um protocolo predefinido.

Um estudo prospectivo robusto bloquearia o modelo antes da inclusão de participantes. Também definiria limiares, usuários previstos, momento de uso e respostas a resultados de alto risco.

A calibração será crucial. Um modelo que classifica bem os casos ainda pode superestimar ou subestimar o risco absoluto em uma nova população.

Os clínicos precisam de mais do que uma classificação. Eles precisam saber o que uma determinada pontuação significa para pacientes que recebem tratamentos específicos em seu próprio contexto.

A prevalência também altera o comportamento das previsões. Um hospital com menos casos de pneumonite pode observar mais falsos positivos entre pacientes classificados como de alto risco.

O conjunto de avaliação interna incluiu todos os casos de ICI-P adjudicados da coorte descrita e um grupo-controle selecionado. Isso apoia o teste de discriminação, mas não reflete a prevalência.

A coorte externa continha 20 casos entre 116 pacientes. Sua composição continua valiosa para validação, mas a implantação no mundo real poderia envolver uma combinação diferente de casos.

O viés de seleção é outra preocupação. Centros acadêmicos de câncer tratam pacientes complexos e podem usar práticas especializadas de imagem ou adjudicação.

Pacientes com exames ausentes, qualidade de imagem insuficiente ou diagnósticos incertos podem ser excluídos de conjuntos de dados de pesquisa. Esses casos difíceis ainda aparecem na prática clínica.

Os rótulos diagnósticos também merecem escrutínio. A pneumonite pode se assemelhar a infecção, lesão por radiação, edema, progressão tumoral ou doença intersticial preexistente.

O estudo utilizou casos adjudicados, o que reforça a qualidade dos rótulos. Mesmo a adjudicação por especialistas não consegue eliminar todas as incertezas em torno de um evento pulmonar relacionado ao sistema imunológico.

Os mapas de atenção de CIPHER oferecem algum suporte interpretativo, mas não revelam uma via causal. A anormalidade destacada pode estar correlacionada com outro fator não mensurado.

O sistema pode detectar fibrose, enfisema, alterações vasculares, lesão prévia ou padrões relacionados ao scanner. Identificar o sinal biológico será importante para a confiança e a generalização.

Também existe o risco de viés de automação. Os clínicos podem atribuir valor excessivo a uma pontuação numérica quando ela confirma uma preocupação, ou ignorar sintomas após um resultado de baixo risco.

Uma implementação segura deve apresentar CIPHER como apoio à decisão. Ele nunca deve se sobrepor a novos sintomas, ao exame clínico ou a achados de imagem em evolução.

Questões regulatórias e operacionais continuam em aberto. O relatório não descreve um produto clínico autorizado nem aprovação para o manejo rotineiro de pacientes.

O monitoramento do modelo também seria necessário após a implantação. Atualizações de scanners, mudanças de tratamento e novas populações de pacientes podem alterar o desempenho ao longo do tempo.

A governança de dados acrescenta outra camada. Os hospitais devem controlar o acesso, documentar o processamento, auditar as saídas e proteger imagens médicas sensíveis.

O código do CIPHER disponível publicamente apoia o escrutínio técnico e os esforços de reprodutibilidade. A disponibilidade do código, por si só, não reproduz os dados, o fluxo de trabalho ou o ambiente clínico originais.

Equipes independentes devem tentar a validação sem depender das premissas operacionais dos desenvolvedores. A reprodução em mais centros revelaria se o desempenho permanece estável.

A conclusão correta não é nem a rejeição nem a adoção imediata. CIPHER passou por um importante teste externo, enquanto o teste clinicamente decisivo ainda não começou.

Esse equilíbrio protege a descoberta central contra o exagero. Exames de rotina parecem conter um sinal de risco significativo, mas sua utilidade depende do que acontece após o surgimento da pontuação.

Três Sinais Mostrarão se CIPHER Pode Entrar no Cuidado Clínico

A próxima fase deve conectar previsão, ação e desfecho do paciente, em vez de relatar outra AUC retrospectiva.

O primeiro sinal é uma validação prospectiva multicêntrica com um modelo bloqueado. Ela deve incluir hospitais diversos, tipos de scanner, regimes de tratamento e populações de pacientes.

Os pesquisadores devem relatar discriminação, calibração, sensibilidade, especificidade e desempenho em subgrupos demográficos e clínicos. A incapacidade de manter a calibração enfraqueceria o argumento para implantação.

Resultados estáveis reforçariam a alegação de que CIPHER detecta vulnerabilidade pulmonar transferível. Eles também ajudariam os hospitais a escolher limiares para finalidades clínicas definidas.

O segundo sinal é um estudo intervencional vinculado a uma trajetória concreta de cuidado. Pacientes de alto risco poderiam receber monitoramento predefinido, enquanto um grupo de comparação seguiria a prática padrão.

Os desfechos relevantes incluem tempo até o reconhecimento, gravidade da pneumonite, hospitalização, interrupção do tratamento, exposição a corticosteroides e continuidade do tratamento do câncer. A carga de monitoramento e os falsos alarmes também devem fazer parte dessa análise.

Esse passo responderia à questão mais importante. Ele mostraria se a previsão de pneumonite por CIPHER melhora o cuidado, em vez de apenas prever um desfecho.

Um estudo bem-sucedido não precisaria eliminar a pneumonite. Reconhecimento mais precoce, menos casos graves ou monitoramento mais seguro poderiam estabelecer valor significativo.

O terceiro sinal é a validação além do contexto original de NSCLC. Os pesquisadores planejam examinar outros tipos de câncer tratados com inibidores de checkpoint imunológico.

Essa expansão deve avançar com cautela. Diferentes tipos de câncer envolvem exames basais, combinações de tratamento, órgãos e toxicidades concorrentes distintos.

Um modelo transferido sem validação adequada poderia preservar uma pontuação atraente enquanto perde significado clínico. Cada novo contexto precisa de evidências predefinidas e análise de falhas.

Combinar imagens com variáveis clínicas ou biomarcadores também merece atenção. Um modelo multimodal deve superar CIPHER isoladamente o suficiente para justificar a complexidade adicional.

Esses sinais importam para além de uma única complicação. As imagens médicas contêm mais informações do que os achados nomeados em um relatório de rotina.

Modelos de base podem potencialmente converter essas informações não utilizadas em estimativas de toxicidade do tratamento, trajetória da doença ou resposta terapêutica. Cada uso ainda exige sua própria validação clínica.

CIPHER, portanto, representa um mecanismo, não uma história de implantação concluída. Ele usa exames existentes para fazer uma nova pergunta antes do início do tratamento.

Para os clínicos, a ação imediata é acompanhar as evidências prospectivas, e não tratar uma pontuação de pesquisa como uma prescrição médica. Para os desenvolvedores, o desafio é construir a avaliação em torno de decisões e danos reais.

Para os sistemas de saúde, a questão central é igualmente prática: que ação deve seguir um resultado de alto risco e essa ação melhora os desfechos sem restringir uma terapia eficaz? Até que os ensaios respondam a isso, a previsão de pneumonite pelo CIPHER continua sendo um biomarcador de imagem promissor, e não um critério clínico padrão para tomada de decisão.