# Algoritmos de aprendizado de máquina são melhores que o nomograma para prever lesão intracraniana em crianças com trauma cranioencefálico leve?

> Em estudo com 964 crianças, o algoritmo de random forest teve melhor desempenho que o nomograma para prever lesão intracraniana após TC de crânio, com AUC de 0,80, sensibilidade de 0,34 e especificidade de 0,95. Isso pode auxiliar médicos a equilibrar o uso excessivo de TC e reduzir custos no trauma cranioencefálico pediátrico.

Estudo citado: Tunthanathip T, Duangsuwan J, Wattanakitrungroj N, Tongman S, Phuenpathom N. Comparison of intracranial injury predictability between machine learning algorithms and the nomogram in pediatric traumatic brain injury. Neurosurgical focus. 2021. DOI: https://doi.org/10.3171/2021.8.FOCUS2155. PubMed: https://pubmed.ncbi.nlm.nih.gov/34724640/

## Resposta

O estudo comparou o desempenho preditivo de algoritmos de aprendizado de máquina (ML) com um nomograma para identificar lesão intracraniana em crianças com trauma cranioencefálico (TCE) submetidas à tomografia computadorizada (TC) de crânio. Foram analisados dados de 964 pacientes pediátricos, divididos aleatoriamente em conjunto de treinamento (75%) e validação (25%).

Diversos algoritmos de ML e um nomograma foram construídos a partir de 14 parâmetros clínicos. O classificador random forest (RFC) apresentou o melhor desempenho, com área sob a curva ROC de 0,80, sensibilidade de 0,34, especificidade de 0,95, valor preditivo positivo de 0,73, valor preditivo negativo de 0,80 e acurácia de 0,79.

Os autores concluem que os algoritmos de ML, particularmente o RFC, mostraram desempenho preditivo relativamente excelente, com potencial para auxiliar médicos a equilibrar o uso excessivo de TC de crânio e reduzir os custos do tratamento do TCE pediátrico na prática geral.

A aplicação clínica desses modelos pode apoiar decisões sobre a indicação de TC em crianças com TCE, especialmente em casos leves, onde há preocupação com exposição à radiação e custos. No entanto, a sensibilidade relativamente baixa do modelo sugere cautela na sua utilização isolada para excluir lesões.

O resumo não detalha as limitações do estudo, mas a natureza retrospectiva e a população específica podem restringir a generalização. A validação externa e a implementação clínica ainda são necessárias antes da adoção rotineira.

## O que o estudo mostrou

Estudo comparativo com 964 pacientes pediátricos com TCE, divididos em treinamento (75%) e validação (25%). Foram usados 14 parâmetros clínicos para desenvolver modelos de ML e um nomograma. O algoritmo random forest obteve o melhor desempenho na predição de lesão intracraniana após TC de crânio, com AUC de 0,80, sensibilidade de 0,34, especificidade de 0,95, VPP de 0,73, VPN de 0,80 e acurácia de 0,79.

## Limitações

O resumo não informa as limitações do estudo, como possíveis vieses de seleção, falta de validação externa ou detalhes sobre a população. A sensibilidade de 0,34 do modelo random forest é baixa, o que pode limitar seu uso para excluir lesões. Além disso, o resumo não descreve os critérios de inclusão ou a gravidade do TCE.

## Aplicação no consultório

O modelo de ML pode auxiliar o pediatra ou neurocirurgião na decisão de indicar TC de crânio em crianças com TCE, especialmente em casos leves, ajudando a reduzir exposição desnecessária à radiação e custos. No entanto, a baixa sensibilidade sugere que o modelo não deve ser usado isoladamente para afastar lesão intracraniana. A implementação requer validação local e integração com o julgamento clínico. Para gestão do consultório, ferramentas baseadas em ML podem otimizar fluxos de atendimento e reduzir exames desnecessários, mas necessitam de treinamento da equipe e adaptação à realidade brasileira.

## Perguntas para aprofundar

- Qual a acurácia do nomograma em comparação com o random forest para prever lesão intracraniana em crianças com TCE?
- Como aplicar um modelo de aprendizado de máquina na prática clínica pediátrica para reduzir TC desnecessárias?
- Quais são as limitações da sensibilidade de 0,34 do random forest na exclusão de lesão intracraniana?

Tema: IA na atenção primária. Página: https://alphadoctor.com.br/ciencia/ia-atencao-primaria/algoritmos-de-aprendizado-de-maquina-sao-melhores-que-o-nomograma-para-prever/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.