IA na atenção primária

Aprendizado de máquina com registros eletrônicos de saúde pode prever depressão na prática clínica?

Resposta

A revisão sistemática identificou 19 estudos elegíveis que usaram aprendizado de máquina com registros eletrônicos de saúde para predição de depressão. Os métodos incluíram desde regressão logística até técnicas mais complexas, e os preditores variaram amplamente. A definição de depressão foi clínica, porém às vezes ampla, e a maioria dos estudos reportou AUC média em torno de 0,8, com alguns valores acima de 0,9.

Um achado relevante é que métodos de regressão se mostraram tão eficazes quanto técnicas mais desenvolvidas de aprendizado de máquina. Isso sugere que a complexidade do modelo não é garantia de melhor desempenho e que modelos mais simples podem ser suficientes para a predição de depressão a partir de registros eletrônicos.

O desempenho reportado foi comparável ou até melhor do que o encontrado na atenção primária. No entanto, os autores destacam preocupações com a generalização dos resultados, já que os estudos eram majoritariamente de populações ocidentais, educadas, industrializadas, ricas e democráticas (WEIRD). Além disso, a interpretabilidade dos modelos é uma limitação a ser considerada.

Para o médico brasileiro, a revisão apoia o potencial uso dessas técnicas, mas não fornece evidências para implementação imediata. A aplicação clínica exigiria validação em contextos locais e atenção à definição de depressão utilizada, que pode variar entre estudos. A gestão do consultório pode se beneficiar de ferramentas preditivas, mas é preciso cautela com a interpretação dos resultados.

O que o estudo mostrou

Revisão sistemática da literatura que, após triagem PRISMA, selecionou 19 estudos publicados após 2010. Os estudos usaram métodos de aprendizado de máquina com registros eletrônicos de saúde para predição de depressão. Os achados incluem valores de AUC acima de 0,9 em alguns casos, com média em torno de 0,8. Métodos de regressão foram tão eficazes quanto técnicas mais desenvolvidas. As definições de depressão foram clínicas, porém às vezes amplas.

Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos. A categorização, definição e identificação do número de preditores foi difícil em alguns casos. Os estudos eram majoritariamente de populações WEIRD (ocidentais, educadas, industrializadas, ricas e democráticas), o que limita a generalização. Também há preocupações com a interpretabilidade dos modelos.

Aplicação no consultório

A revisão sugere que modelos de aprendizado de máquina podem auxiliar na predição de depressão, mas ainda não há evidências suficientes para implementação rotineira. O médico deve considerar que a maioria dos estudos é de populações específicas e que a validação local é necessária. Na gestão do consultório, ferramentas preditivas podem ser úteis para triagem, mas exigem cautela e conhecimento das limitações. A interpretabilidade dos modelos é crucial para a confiança clínica.

Estudo citado

Prediction and diagnosis of depression using machine learning with electronic health records data: a systematic review. BMC medical informatics and decision making, 2023.
Autores: Nickson D, Meyer C, Walasek L, Toro C.
DOI: 10.1186/s12911-023-02341-x · PubMed: PMID 38012655

Perguntas para aprofundar

• Quais métodos de aprendizado de máquina são mais eficazes para prever depressão usando registros eletrônicos de saúde?
• Como a definição de depressão influencia o desempenho dos modelos preditivos?
• Quais são os desafios para implementar modelos preditivos de depressão na atenção primária brasileira?

Mais sobre IA na atenção primária

• Algoritmos de inteligência artificial podem prever doença renal crônica e sua progressão?
• Modelos de predição de fibrilação atrial incidente em registros eletrônicos de saúde comunitários têm bom desempenho?
• Estratégias sistemáticas baseadas em prontuário eletrônico, incluindo algoritmos e modelos genômicos, são eficazes para identificar hipercolesterolemia familiar em adultos?
• A combinação de QDRS e marcador digital passivo em prontuário eletrônico aumenta a detecção de demência na atenção primária?
• Modelos de predição diagnóstica baseados em IA e registros eletrônicos de saúde na atenção primária estão prontos para uso clínico?

Todas as perguntas sobre IA na atenção primária · Todos os temas · Versão em markdown