IA na atenção primária

Modelos preditivos baseados em aprendizado de máquina podem estimar o risco de dor no joelho em pacientes de meia-idade e idosos na atenção primária?

Resposta

A dor no joelho é uma queixa frequente em pacientes de meia-idade e idosos, e ferramentas que auxiliem na estratificação de risco podem ser úteis na atenção primária. Este estudo utilizou métodos de aprendizado de máquina para desenvolver e validar modelos preditivos para dor no joelho autorreferida, utilizando dados de uma grande pesquisa populacional.

Foram incluídos 5386 indivíduos acima de 45 anos, divididos aleatoriamente em conjunto de treinamento e teste na proporção de 7:3. Três métodos foram empregados: regressão logística, random forest e Extreme Gradient Boosting. O desempenho foi avaliado pela área sob a curva ROC (AUC), sensibilidade, especificidade, valor preditivo positivo e negativo. Além disso, um nomograma simplificado foi criado a partir da regressão logística para facilitar a aplicação clínica.

A prevalência de dor no joelho autorreferida foi de 31,4% (1690 indivíduos). Na regressão logística, sexo feminino (OR = 1,28), dor em outras partes do corpo (OR = 4,64) e índice de massa corporal (OR = 1,05) foram significativamente associados ao aumento do risco. No conjunto de teste, a regressão logística apresentou AUC = 0,71, ligeiramente superior ao random forest (AUC = 0,70), enquanto o Extreme Gradient Boosting teve desempenho menos confiável (AUC = 0,59).

As variáveis mais importantes incluíram dor em outras partes do corpo, circunferência da cintura, índice de massa corporal, idade e sexo, além de triglicerídeos. O nomograma baseado na regressão logística mostrou boa discriminação, com AUC de 0,75 (0,73-0,77), sensibilidade de 0,72, especificidade de 0,71, valor preditivo positivo de 0,45 e valor preditivo negativo de 0,88. Todas as variáveis podem ser obtidas facilmente em consultório, sem necessidade de exames de imagem adicionais.

Esses achados sugerem que um modelo simples e acessível pode auxiliar médicos na identificação de pacientes com maior risco de dor no joelho, permitindo intervenções preventivas e melhor alocação de recursos. No entanto, o estudo tem limitações, como a natureza observacional dos dados e a população específica, que podem restringir a generalização para outros contextos.

O que o estudo mostrou

Estudo de desenvolvimento e validação de modelos preditivos com 5386 indivíduos acima de 45 anos, usando dados de pesquisa nacional. A dor no joelho autorreferida esteve presente em 31,4% (1690). Modelos de regressão logística, random forest e Extreme Gradient Boosting foram construídos. A regressão logística teve AUC = 0,71 no teste, random forest AUC = 0,70 e Extreme Gradient Boosting AUC = 0,59. O nomograma baseado em regressão logística apresentou AUC = 0,75 (0,73-0,77), sensibilidade 0,72, especificidade 0,71, valor preditivo positivo 0,45 e negativo 0,88. Preditores importantes: dor em outras partes do corpo, circunferência da cintura, índice de massa corporal, idade, sexo e triglicerídeos.

Limitações

O resumo não informa detalhes sobre o desenho do estudo original (se transversal ou longitudinal), nem sobre possíveis vieses de autorrelato da dor no joelho. A população é restrita a indivíduos acima de 45 anos dos Estados Unidos, o que pode limitar a generalização para outras populações. O resumo também não informa se houve validação externa ou análise de calibração do modelo.

Aplicação no consultório

O nomograma pode ser incorporado à prática clínica para estratificar o risco de dor no joelho em pacientes de meia-idade e idosos, utilizando informações facilmente disponíveis (sexo, idade, IMC, circunferência da cintura, triglicerídeos e presença de dor em outras partes do corpo). Isso pode auxiliar na priorização de avaliações e intervenções preventivas, como orientações sobre perda de peso e atividade física. Na gestão do consultório, a ferramenta pode otimizar o tempo de consulta e direcionar recursos para pacientes de maior risco, sem necessidade de exames de imagem adicionais.

Estudo citado

Predictive Models for Knee Pain in Middle-Aged and Elderly Individuals Based on Machine Learning Methods. Computational and mathematical methods in medicine, 2022.
Autores: Liu L, Zhu MM, Cai LL, Zhang X.
DOI: 10.1155/2022/5005195 · PubMed: PMID 36199766

Perguntas para aprofundar

• Como o nomograma baseado em regressão logística se compara a outras ferramentas de triagem para dor no joelho na atenção primária?
• Qual é a utilidade clínica de incluir triglicerídeos como preditor de dor no joelho em modelos de risco?
• O modelo preditivo para dor no joelho mantém seu desempenho em populações brasileiras de meia-idade e idosos?

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?
• Cartas de alta geradas por GPT-4 melhoram a compreensão de pacientes sobre informações de segurança em comparação com cartas de alta convencionais?
• O uso de software de suporte à decisão por inteligência artificial melhora a interpretação da espirometria por clínicos da atenção primária?
• O uso de lâmpada de fenda portátil assistida por IA por médicos de vilarejos melhora a detecção, o encaminhamento e a cirurgia de catarata em áreas rurais?

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