# Modelos de machine learning são superiores aos escores tradicionais na predição de risco cardiovascular na prevenção primária?

> Sim, uma meta-análise de 16 estudos retrospectivos com 3302 515 indivíduos mostrou que modelos de machine learning tiveram discriminação ligeiramente superior aos escores tradicionais, com diferença de C-statistic de 0,0139. No entanto, a maioria dos estudos tinha alto risco de viés e poucos validaram externamente, limitando a aplicação clínica imediata.

Estudo citado: Liu W, Laranjo L, Klimis H, Chiang J, Yue J, Marschner S et al.. Machine-learning versus traditional approaches for atherosclerotic cardiovascular risk prognostication in primary prevention cohorts: a systematic review and meta-analysis. European heart journal. Quality of care & clinical outcomes. 2023. DOI: https://doi.org/10.1093/ehjqcco/qcad017. PubMed: https://pubmed.ncbi.nlm.nih.gov/36869800/

## Resposta

A prevenção primária de doenças cardiovasculares depende da identificação de indivíduos de alto risco para orientar a intensidade terapêutica. Algoritmos tradicionais, baseados em modelos estatísticos clássicos, são amplamente utilizados, mas o machine learning (ML) surge como alternativa para melhorar a acurácia preditiva. Esta revisão sistemática e meta-análise comparou o desempenho de modelos de ML com escores de risco tradicionais em coortes de prevenção primária.

Foram incluídos 16 estudos retrospectivos, totalizando 3302 515 indivíduos, que avaliaram ambos os tipos de modelos. A meta-análise, restrita a estudos que reportaram C-statistics com intervalos de confiança, mostrou que os melhores modelos de ML tiveram C-statistic sumário de 0,773 (IC 95%: 0,740-0,806), enquanto os escores tradicionais apresentaram 0,759 (IC 95%: 0,726-0,792). A diferença foi estatisticamente significativa (P < 0,0001), favorecendo o ML.

Apesar da superioridade estatística, a magnitude da diferença foi pequena (0,0139), e a qualidade metodológica dos estudos foi limitada: apenas 3 validaram externamente seus modelos, 11 reportaram métricas de calibração e 11 apresentaram alto risco de viés segundo a ferramenta PROBAST. Essas limitações sugerem cautela na transposição dos achados para a prática clínica.

Os autores concluem que a integração de algoritmos de ML em sistemas eletrônicos de saúde na atenção primária poderia melhorar a identificação de pacientes de alto risco e ampliar oportunidades de prevenção. Contudo, a implementação clínica ainda é incerta e requer pesquisa futura para examinar como esses modelos podem ser utilizados na prevenção primária.

Para o médico brasileiro, os resultados indicam um potencial promissor, mas não imediatamente aplicável. A tomada de decisão compartilhada e o uso de escores tradicionais permanecem válidos até que modelos de ML sejam devidamente validados e calibrados em diferentes populações.

## O que o estudo mostrou

Revisão sistemática e meta-análise de 16 estudos retrospectivos, incluindo 3302 515 adultos em prevenção primária, comparando modelos de machine learning com escores de risco tradicionais para predição de eventos cardiovasculares. A meta-análise incluiu apenas estudos que forneceram C-statistics com intervalos de confiança. O C-statistic sumário dos melhores modelos de ML foi 0,773 (IC 95%: 0,740-0,806) versus 0,759 (IC 95%: 0,726-0,792) para escores tradicionais, com diferença de 0,0139 (IC 95%: 0,0139-0,140), P < 0,0001. Apenas 3 estudos validaram externamente e 11 reportaram calibração; 11 tinham alto risco de viés.

## Limitações

Todos os estudos incluídos eram retrospectivos, a maioria com alto risco de viés (11 de 16), poucos realizaram validação externa (3) e nem todos reportaram métricas de calibração (11). O resumo não informa detalhes sobre as populações específicas, os tipos de modelos de ML ou os escores tradicionais comparados, nem sobre heterogeneidade entre os estudos. Essas limitações restringem a generalização dos achados e a confiança na superioridade do ML.

## Aplicação no consultório

Os achados ainda não justificam substituir os escores tradicionais na prática clínica diária, pois a diferença de desempenho é pequena e a qualidade metodológica dos estudos é limitada. O médico pode acompanhar a evolução da literatura sobre ML, mas deve manter as ferramentas validadas para estratificação de risco. Na gestão do consultório, investir em sistemas eletrônicos que futuramente possam integrar modelos de ML requer cautela e validação local antes da implementação.

## Perguntas para aprofundar

- Qual é o desempenho de modelos de machine learning comparado aos escores tradicionais em populações brasileiras de prevenção primária?
- Quais são as limitações metodológicas mais comuns nos estudos que comparam machine learning e escores tradicionais para risco cardiovascular?
- Como a calibração dos modelos de machine learning é avaliada e qual sua importância na prática clínica?

Tema: IA na atenção primária. Página: https://alphadoctor.com.br/ciencia/ia-atencao-primaria/modelos-de-machine-learning-sao-superiores-aos-escores-tradicionais-na-predicao/

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