IA na atenção primária

Escores clínicos para diferenciar AVC isquêmico de hemorrágico têm desempenho superestimado?

Resposta

A classificação clínica do tipo de AVC é uma necessidade em locais sem neuroimagem, mas os escores disponíveis apresentam limitações. Este estudo reanalisou dados de 21 estudos que validaram os escores Siriraj, Guys Hospital/Allen, Greek e Besson, usando princípios de aprendizado de máquina para corrigir superestimação e viés por desequilíbrio de classes.

Os resultados mostram que o escore Siriraj tem o melhor desempenho entre os avaliados, mas sua sensibilidade relatada para diagnóstico de AVC isquêmico (mediana 78%) foi maior que a calculada após correção (mediana 70%). Para AVC hemorrágico, a sensibilidade relatada (mediana 71%) também foi superior à calculada (mediana 59%). Tendências semelhantes foram observadas para os escores Guys Hospital/Allen e Greek.

Os autores destacam que a acurácia ponderada é uma métrica mais adequada para avaliar o desempenho desses escores, pois leva em conta o desequilíbrio entre as classes. Apesar das limitações, os atributos clínicos ainda mostram potencial para classificação de AVC, mas o desempenho varia conforme a demografia, indicando a necessidade de ajuste dos escores para diferentes populações.

Para melhorar a generalização, os autores sugerem a criação de um pool global de dados com atributos estatisticamente significativos, sobre o qual classificadores de aprendizado de máquina possam ser treinados. Isso poderia levar a modelos mais robustos e aplicáveis em larga escala, especialmente em cenários de baixos recursos.

Na prática clínica, os achados reforçam que os escores clínicos não devem ser usados isoladamente sem considerar suas limitações e a necessidade de validação local. A reanálise com técnicas de aprendizado de máquina oferece uma abordagem mais realista para estimar o desempenho e orientar decisões sobre encaminhamento.

O que o estudo mostrou

Revisão sistemática de 21 estudos que validaram escores clínicos para classificação de AVC. Após correção de superestimação e viés de desequilíbrio de classes com aprendizado de máquina, o escore Siriraj apresentou melhor desempenho, mas com sensibilidades menores que as relatadas originalmente. Para AVC isquêmico, a sensibilidade mediana caiu de 78% para 70%; para hemorrágico, de 71% para 59%. Escores Guys Hospital/Allen e Greek mostraram tendências similares. A acurácia ponderada foi recomendada como métrica mais adequada.

Limitações

O resumo não informa detalhes sobre a qualidade dos estudos incluídos, heterogeneidade entre as populações ou métodos estatísticos específicos usados na reanálise. Também não são fornecidos dados sobre a acurácia global ou valores preditivos. A comparação foi restrita aos escores Siriraj, Guys Hospital/Allen, Greek e Besson, e pode não se aplicar a outros escores. Além disso, a reanálise foi baseada em dados publicados, o que pode introduzir viés de publicação.

Aplicação no consultório

Os escores clínicos para diferenciar AVC isquêmico de hemorrágico podem auxiliar na triagem inicial quando a neuroimagem não está disponível, mas seus desempenhos são inferiores ao relatado originalmente. O médico deve interpretar esses escores com cautela e considerar a necessidade de confirmação por imagem antes de decisões terapêuticas. A gestão do consultório pode incluir a implementação de protocolos que combinem escores clínicos com acesso rápido a neuroimagem, além de treinamento para ajuste local dos escores. A criação de um pool global de dados pode, no futuro, melhorar a generalização, mas até lá a validação local é essencial.

Estudo citado

Machine learning based reanalysis of clinical scores for distinguishing between ischemic and hemorrhagic stroke in low resource setting. Journal of stroke and cerebrovascular diseases : the official journal of National Stroke Association, 2022.
Autores: Bhardwaj A, Srivastava MP, Wilson PV, Mehndiratta A, Vishnu VY, Garg R.
DOI: 10.1016/j.jstrokecerebrovasdis.2022.106638 · PubMed: PMID 35926404

Perguntas para aprofundar

• Qual o desempenho real do escore Siriraj na prática clínica após correção de vieses?
• Como o desequilíbrio de classes afeta a interpretação da sensibilidade dos escores clínicos?
• Quais estratégias podem melhorar a generalização dos escores clínicos para diferentes populações?

Mais sobre IA na atenção primária

• Um modelo de aprendizado de máquina aplicado ao eletrocardiograma pode aumentar a detecção de cirrose hepática avançada na atenção primária?
• A combinação de QDRS e marcador digital passivo em prontuário eletrônico aumenta a detecção de demência na atenção primária?
• Um sistema de apoio à decisão clínica baseado em aprendizado de máquina pode melhorar o manejo da síndrome pós-embolização por enfermeiros e os desfechos dos pacientes?
• Os indicadores de processo TRANSIT conseguem prever desfechos intermediários na prevenção cardiovascular, e qual método de modelagem tem melhor desempenho?
• Estratégias sistemáticas baseadas em prontuário eletrônico, incluindo algoritmos e modelos genômicos, são eficazes para identificar hipercolesterolemia familiar em adultos?

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