IA na atenção primária

Modelos de predição de fibrilação atrial incidente em registros eletrônicos de saúde comunitários têm bom desempenho?

Resposta

A fibrilação atrial é uma condição comum e associada a aumento do risco de acidente vascular cerebral. A identificação de pacientes com maior risco de desenvolver fibrilação atrial incidente na comunidade pode auxiliar estratégias de rastreamento e prevenção. Uma revisão sistemática com meta-análise avaliou modelos de predição multivariável derivados e/ou validados em registros eletrônicos de saúde e bases de dados administrativas para predizer fibrilação atrial incidente na comunidade.

Foram incluídos estudos que descreveram modelos de predição. Quatro estudos preencheram critérios para meta-análise, totalizando 9 289 959 pacientes. Os modelos CHADS, CHA2DS2-VASc e HATCH apresentaram c-statistic sumário de 0,674 (IC 95% 0,610-0,732), 0,679 (IC 95% 0,620-0,736) e 0,669 (IC 95% 0,600-0,732), respectivamente, com intervalos de predição de 95% estatisticamente significativos, indicando desempenho discriminativo moderado.

A certeza das estimativas de efeito foi classificada como baixa, e o risco de viés foi alto. Nenhum modelo permaneceu elegível para meta-análise após a exclusão de estudos com alto risco de viés. Modelos derivados por aprendizado de máquina demonstraram forte desempenho discriminativo, mas careceram de validação externa rigorosa.

Os achados sugerem que os modelos atualmente disponíveis e validados externamente para predição de fibrilação atrial incidente em registros eletrônicos comunitários têm capacidade preditiva moderada e alto risco de viés. Novos métodos, como aprendizado de máquina, podem oferecer melhor discriminação, mas necessitam de validação externa robusta antes de serem incorporados à prática clínica.

Para o médico, esses resultados indicam que os modelos tradicionais podem auxiliar na estratificação de risco, mas suas limitações devem ser consideradas. A aplicação clínica rotineira ainda requer cautela, e a gestão do consultório pode se beneficiar de ferramentas mais acuradas e validadas, especialmente aquelas baseadas em aprendizado de máquina, desde que devidamente validadas em diferentes populações.

O que o estudo mostrou

Revisão sistemática com meta-análise que incluiu estudos descrevendo modelos de predição de fibrilação atrial incidente em registros eletrônicos de saúde e bases administrativas. Quatro estudos foram incluídos na meta-análise, com 9 289 959 pacientes. Os modelos CHADS, CHA2DS2-VASc e HATCH apresentaram c-statistic sumário de 0,674, 0,679 e 0,669, respectivamente, com desempenho discriminativo moderado. Modelos de aprendizado de máquina mostraram forte desempenho, mas sem validação externa rigorosa. A certeza das estimativas foi baixa e o risco de viés alto.

Limitações

O resumo não informa detalhes sobre as características dos estudos incluídos, como população ou métodos de derivação. A certeza das estimativas de efeito foi classificada como baixa, e o alto risco de viés foi frequente. Nenhum modelo permaneceu elegível para meta-análise após exclusão de estudos com alto risco de viés. Modelos de aprendizado de máquina carecem de validação externa rigorosa. O resumo não informa limitações específicas dos estudos primários.

Aplicação no consultório

Os modelos tradicionais (CHADS, CHA2DS2-VASc, HATCH) podem auxiliar na identificação de pacientes com risco moderado de fibrilação atrial, mas seu desempenho moderado e alto risco de viés limitam a aplicação clínica rotineira. No consultório, a estratificação de risco deve ser individualizada, e ferramentas mais acuradas, como modelos de aprendizado de máquina, ainda não estão prontas para uso generalizado devido à falta de validação externa. A gestão do consultório pode considerar esses achados ao decidir sobre estratégias de rastreamento, mas sem substituir o julgamento clínico.

Estudo citado

Prediction of incident atrial fibrillation in community-based electronic health records: a systematic review with meta-analysis. Heart (British Cardiac Society), 2022.
Autores: Nadarajah R, Alsaeed E, Hurdus B, Aktaa S, Hogg D, Bates MGD, Cowan C, Wu J, Gale CP.
DOI: 10.1136/heartjnl-2021-320036 · PubMed: PMID 34607811

Perguntas para aprofundar

• Qual o desempenho dos modelos de aprendizado de máquina para predição de fibrilação atrial em registros eletrônicos?
• Como o risco de viés afeta a confiabilidade dos modelos de predição de fibrilação atrial?
• Os modelos CHADS, CHA2DS2-VASc e HATCH são adequados para rastreamento de fibrilação atrial na atenção primária?

Mais sobre IA na atenção primária

• Estratégias sistemáticas baseadas em prontuário eletrônico, incluindo algoritmos e modelos genômicos, são eficazes para identificar hipercolesterolemia familiar em adultos?
• Aprendizado de máquina com registros eletrônicos de saúde pode prever depressão na prática clínica?
• O uso de um estetoscópio com inteligência artificial na atenção primária aumenta a detecção de insuficiência cardíaca, fibrilação atrial e valvopatia?
• Modelos de predição para testagem direcionada de HIV, hepatite B e hepatite C são acurados e aplicáveis na atenção primária?
• A combinação de QDRS e marcador digital passivo em prontuário eletrônico aumenta a detecção de demência na atenção primária?

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