IA na atenção primária

Modelos de predição para testagem direcionada de HIV, hepatite B e hepatite C são acurados e aplicáveis na atenção primária?

Resposta

A revisão sistemática identificou 71 estudos que desenvolveram ou validaram modelos de predição para infecções por HIV, hepatite B e hepatite C, abrangendo mais de 31 milhões de participantes e mais de 65.000 casos. A maioria dos modelos era para HIV (47), seguida por hepatite C (13) e hepatite B (5), com 2 estudos avaliando múltiplos vírus separadamente. Os estudos foram conduzidos em 41 países de baixa e média renda e 30 de alta renda, cobrindo 11 populações diferentes e 8 tipos de ambientes, incluindo atenção primária.

A acurácia dos modelos, medida pela área sob a curva ROC (AUC), foi agrupada em 0,73 (IC 95%: 0,67–0,80) para HIV, 0,80 (IC 95%: 0,73–0,86) para hepatite C e 0,79 (IC 95%: 0,76–0,81) para hepatite B. Esses valores indicam discriminação moderada a boa, mas com heterogeneidade substancial entre os estudos, refletida pelos valores de I² elevados (74% para HIV, 86% para hepatite C e 93% para hepatite B).

O risco de viés foi alto em 64 dos 71 estudos, segundo a ferramenta PROBAST, e baixo em apenas 7. Isso significa que a maioria dos modelos pode ter estimativas otimistas de desempenho ou problemas metodológicos que limitam sua validade. Além disso, a maioria dos modelos utilizou regressão tradicional (50), enquanto 17 usaram aprendizado de máquina e 4 outros métodos.

Os autores concluem que a heterogeneidade significativa na acurácia dos modelos, juntamente com o alto risco de viés e a contribuição limitada da atenção primária, dificulta a recomendação de um modelo específico para uso clínico. O desenvolvimento e a avaliação de modelos eficazes para a avaliação combinada de risco de HIV, hepatite B e hepatite C em ambientes de população geral, especialmente na atenção primária, permanecem uma prioridade.

Para o médico brasileiro, os resultados sugerem que, embora existam ferramentas promissoras, sua aplicação rotineira na atenção primária ainda carece de validação robusta e padronização. A decisão de adotar um modelo preditivo deve considerar o contexto local, a população-alvo e a qualidade metodológica do estudo de origem.

O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu 71 estudos, com mais de 31 milhões de participantes e mais de 65.000 casos de HIV, hepatite B e hepatite C. Foram examinados 67 modelos (47 para HIV, 13 para hepatite C, 5 para hepatite B e 2 para múltiplos vírus). A acurácia agrupada (AUC) foi de 0,73 para HIV, 0,80 para hepatite C e 0,79 para hepatite B, com alta heterogeneidade. O risco de viés foi alto em 64 estudos e baixo em 7.

Limitações

O resumo não informa detalhes sobre a população exata de cada estudo, os critérios de inclusão específicos ou as limitações individuais dos modelos. A alta heterogeneidade e o alto risco de viés na maioria dos estudos limitam a generalização dos resultados. A contribuição da atenção primária foi limitada, e a avaliação e o relato foram inconsistentes, conforme o resumo.

Aplicação no consultório

Na prática clínica, os modelos preditivos podem auxiliar na identificação de pacientes com maior risco de HIV, hepatite B e hepatite C, mas a heterogeneidade e o alto risco de viés exigem cautela. O médico deve considerar a validação local e a aplicabilidade do modelo ao seu contexto. Para a gestão do consultório, investir em treinamento e em ferramentas validadas pode otimizar a testagem direcionada, mas a falta de padronização sugere que protocolos baseados em diretrizes locais ainda são preferíveis até que modelos robustos estejam disponíveis.

Estudo citado

Risk prediction models for targeted testing of HIV, hepatitis B and hepatitis C: a systematic review and meta-analysis. BMC infectious diseases, 2025.
Autores: Leber W, Farooq HZ, Panovska-Griffiths J, Larvin H, Baggaley RF, Divall P, Haigh D, Davies EA, Choudhry S, Hicks SR, Goodwin L, Foster GR, Orkin CM, Zenner D, Vickerman P, Hickman M, Reid L, Worrall S, Pareek M, Lais S, Anderson J, Robson J, Griffiths CJ.
DOI: 10.1186/s12879-025-11921-3 · PubMed: PMID 41291465

Perguntas para aprofundar

• Qual é o desempenho dos modelos de predição para HIV, hepatite B e hepatite C em populações específicas, como homens que fazem sexo com homens?
• Como o risco de viés afeta a confiabilidade dos modelos de predição para infecções sexualmente transmissíveis?
• Quais são os desafios para implementar modelos de predição de HIV, hepatite B e hepatite C na atenção primária brasileira?

Mais sobre IA na atenção primária

• A inteligência artificial é eficaz no diagnóstico não invasivo de câncer de pele e qual o seu impacto potencial?
• O modelo IOTA ADNEX é superior ao RMI 1 no diagnóstico de câncer de ovário em mulheres sintomáticas?
• Estratégias sistemáticas baseadas em prontuário eletrônico, incluindo algoritmos e modelos genômicos, são eficazes para identificar hipercolesterolemia familiar em adultos?
• Algoritmos de deep learning para rastreamento de retinopatia diabética têm acurácia diagnóstica consistente em estudos prospectivos?
• O suporte à decisão clínica com IA melhora a avaliação de risco cardiovascular e as decisões de manejo por médicos generalistas em cenários de recursos limitados?

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