IA na atenção primária

Modelos de machine learning para identificar pré-diabetes são confiáveis para uso na atenção primária?

Resposta

Esta revisão sistemática avaliou o desempenho, a validação e as implicações para a atenção primária de modelos de machine learning para identificação de pré-diabetes. Foram incluídos 26 estudos com 435.647 participantes, dos quais 23 compuseram a base principal para identificação de pré-diabetes atual e três foram mantidos como evidência suplementar para desfechos longitudinais. Os modelos reportados totalizaram 110, com AUCs variando de 0.49 a 0.9989 em tarefas heterogêneas.

Apesar do potencial observado, a qualidade metodológica e a generalização dos modelos são limitadas. Apenas um estudo realizou validação externa independente, e nesse caso a AUROC para pré-diabetes caiu de 0.746 na avaliação interna para 0.590 e 0.523 em duas coortes externas. Além disso, 12 estudos (46.2%) foram julgados com alto risco de viés geral, e a avaliação de calibração, utilidade clínica e equidade entre subgrupos permaneceu limitada.

Os achados indicam que modelos baseados em variáveis coletadas rotineiramente podem apoiar a identificação de pré-diabetes na atenção primária, mas o desempenho forte durante o desenvolvimento ou validação interna não deve ser interpretado como prontidão para implementação. A heterogeneidade das tarefas de modelagem e a escassez de validação externa independente restringem conclusões sobre a aplicabilidade clínica real.

As conclusões se aplicam especificamente à identificação de pré-diabetes atual e não devem ser extrapoladas para predição prognóstica longitudinal de pré-diabetes futuro, glicemia de jejum alterada ou progressão disglicêmica relacionada. A revisão foi registrada no PROSPERO (CRD420251029165) e seguiu as diretrizes PRISMA 2020, com busca em oito bases de dados até 1 de abril de 2025, atualizadas até 1 de agosto de 2026 para algumas bases.

Diante disso, a evidência atual é insuficiente para recomendar a implementação rotineira desses modelos na atenção primária. São necessários estudos com validação externa independente, avaliação de calibração, utilidade clínica, equidade e integração ao fluxo de trabalho real antes que os modelos possam ser considerados prontos para uso clínico.

O que o estudo mostrou

Revisão sistemática PRISMA 2020 registrada no PROSPERO, com busca em oito bases de dados até 1 de abril de 2025 (algumas atualizadas até 1 de agosto de 2026). Foram incluídos 26 estudos com 435.647 participantes; 23 estudos formaram a base principal para identificação de pré-diabetes atual e três foram suplementares. Reportaram-se 110 modelos, com AUCs de desenvolvimento ou validação interna entre 0.49 e 0.9989. Apenas um estudo (1/26, 3.8%) fez validação externa independente, na qual a AUROC para pré-diabetes caiu de 0.746 para 0.590 e 0.523 em duas coortes externas. Quatorze estudos tiveram baixo risco de viés geral e 12 (46.2%) alto risco. Calibração, utilidade clínica e equidade foram limitadas.

Limitações

O resumo não informa detalhes sobre a população dos estudos, os tipos de modelos ou as variáveis utilizadas. A heterogeneidade das tarefas de modelagem impediu meta-análise, e a síntese foi descritiva. A validação externa independente foi reportada em apenas um estudo, e a avaliação de calibração, utilidade clínica e equidade entre subgrupos foi limitada. Além disso, as conclusões se restringem à identificação de pré-diabetes atual, não se aplicando a predição prognóstica longitudinal.

Aplicação no consultório

Na prática clínica e na gestão do consultório, os modelos de machine learning para pré-diabetes ainda não devem ser adotados como ferramenta de rotina, pois a evidência de validação externa, calibração e utilidade clínica é insuficiente. O médico pode acompanhar a literatura, mas deve evitar incorporar tais modelos sem validação local e sem avaliação de desempenho no seu contexto. Para gestores, investimentos em implementação devem aguardar estudos que demonstrem integração ao fluxo de trabalho e equidade entre subgrupos.

Estudo citado

Machine learning models for identifying prediabetes: a systematic review of performance, validation, and implications for primary care. Frontiers in medicine, 2026.
Autores: Wang L, Zhang Y, Yang H, Wang X, Qi X, Gou L.
DOI: 10.3389/fmed.2026.1956800 · PubMed: PMID 42865560

Perguntas para aprofundar

• Quais variáveis rotineiras são mais úteis para modelos de machine learning na identificação de pré-diabetes?
• Como interpretar a queda de desempenho de modelos de machine learning em validação externa?
• O que falta para que modelos de machine learning sejam implementados na atenção primária brasileira?

Mais sobre IA na atenção primária

• Modelos de predição diagnóstica baseados em IA e registros eletrônicos de saúde na atenção primária estão prontos para uso clínico?
• A inteligência artificial é eficaz no diagnóstico não invasivo de câncer de pele e qual o seu impacto potencial?
• Quais são as perspectivas dos stakeholders sobre a adoção de inteligência artificial na atenção primária?
• Um modelo de aprendizado de máquina aplicado ao eletrocardiograma pode aumentar a detecção de cirrose hepática avançada na atenção primária?
• Modelos de predição para testagem direcionada de HIV, hepatite B e hepatite C são acurados e aplicáveis na atenção primária?

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