Uma estratégia de rastreamento de fibrilação atrial usando algoritmo de predição de risco por aprendizado de máquina é custo-efetiva na atenção primária?
Resposta curta: Sim. No estudo PULsE-AI, a estratégia de rastreamento com algoritmo de aprendizado de máquina e teste diagnóstico foi custo-efetiva em comparação ao cuidado usual, com razão de custo-efetividade incremental de £3.994 por QALY ganho, abaixo do limiar aceito de £20.000 por QALY. A estratégia também reduziu o número de pacientes necessários para rastrear.
Resposta
A fibrilação atrial (FA) não diagnosticada é uma condição prevalente e associada a complicações graves, como acidente vascular cerebral. O estudo PULsE-AI avaliou uma estratégia de rastreamento que combinou um algoritmo de predição de risco por aprendizado de máquina com testes diagnósticos em cuidados primários, com o objetivo de identificar FA não diagnosticada de forma mais eficiente.
Os resultados mostraram que a estratégia de rastreamento foi custo-efetiva em comparação ao cuidado usual. No nível populacional, estimou-se que a estratégia resultaria em 45.493 novos diagnósticos de FA em uma população de alto risco de 3,3 milhões de indivíduos no Reino Unido, com um custo adicional de aproximadamente £322 milhões e um ganho de 81.000 QALYs. A razão de custo-efetividade incremental foi de £3.994 por QALY ganho, bem abaixo do limiar de £20.000 por QALY comumente aceito.
Além disso, o uso do algoritmo de predição de risco pode reduzir o número de pacientes necessários para rastrear, aliviando a carga sobre a atenção primária. Isso é particularmente relevante em sistemas de saúde com recursos limitados, pois permite direcionar os testes diagnósticos para os indivíduos de maior risco.
Para o médico brasileiro, esses achados sugerem que estratégias de rastreamento baseadas em algoritmos de aprendizado de máquina podem ser uma ferramenta útil na identificação de FA não diagnosticada, desde que adaptadas ao contexto local. No entanto, a implementação requer considerações sobre custos, disponibilidade de testes e integração com os fluxos de trabalho existentes.
O que o estudo mostrou
O estudo PULsE-AI foi um ensaio clínico randomizado e controlado, conduzido em seis práticas de atenção primária na Inglaterra, entre junho de 2019 e fevereiro de 2021. A análise de custo-efetividade utilizou um modelo híbrido de árvore de decisão e modelo de Markov para progressão da FA. A estratégia de rastreamento estimou 45.493 novos diagnósticos de FA na população de alto risco do Reino Unido (3,3 milhões), com custo adicional de aproximadamente £322 milhões e ganho de 81.000 QALYs. A ICER foi de £3.994 por QALY, considerada custo-efetiva.
Limitações
O resumo não informa o tamanho da amostra do ensaio clínico nem detalhes sobre a população incluída. Também não são descritas limitações do modelo de custo-efetividade, como premissas ou horizonte temporal. Os resultados são específicos para o contexto do sistema de saúde inglês, e a extrapolação para outros países deve ser feita com cautela.
Aplicação no consultório
A implementação de algoritmos de predição de risco pode auxiliar na seleção de pacientes para rastreamento de FA, otimizando recursos e reduzindo a carga de trabalho na atenção primária. No consultório, o médico pode considerar o uso dessas ferramentas para identificar pacientes de alto risco e encaminhá-los para testes diagnósticos apropriados. A gestão do consultório pode se beneficiar da redução do número de pacientes necessários para rastrear, permitindo um melhor direcionamento dos exames.
Estudo citado
Identification of undiagnosed atrial fibrillation using a machine learning risk prediction algorithm and diagnostic testing (PULsE-AI) in primary care: cost-effectiveness of a screening strategy evaluated in a randomized controlled trial in England. Journal of medical economics, 2022.
Autores: Hill NR, Groves L, Dickerson C, Boyce R, Lawton S, Hurst M, Pollock KG, Sugrue DM, Lister S, Arden C, Davies DW, Martin AC, Sandler B, Gordon J, Farooqui U, Clifton D, Mallen C, Rogers J, Camm AJ, Cohen AT.
DOI: 10.1080/13696998.2022.2102355 · PubMed: PMID 35834373
Perguntas para aprofundar
- Como o algoritmo de aprendizado de máquina foi desenvolvido e validado no estudo PULsE-AI?
- Quais foram os critérios utilizados para definir a população de alto risco no estudo?
- Quais são os desafios para implementar essa estratégia de rastreamento no sistema de saúde brasileiro?
Mais sobre IA na atenção primária
- O uso de um estetoscópio com inteligência artificial na atenção primária aumenta a detecção de insuficiência cardíaca, fibrilação atrial e valvopatia?
- Um modelo de aprendizado de máquina aplicado ao eletrocardiograma pode aumentar a detecção de cirrose hepática avançada na atenção primária?
- Algoritmos de deep learning para rastreamento de retinopatia diabética têm acurácia diagnóstica consistente em estudos prospectivos?
- A teledermatologia em unidades de atenção primária é uma alternativa custo-efetiva à consulta dermatológica presencial no hospital?
- Há evidências sobre o uso de software de inteligência artificial como adjuvante na análise de radiografias de tórax para identificar suspeita de câncer de pulmão na atenção primária?
Todas as perguntas sobre IA na atenção primária · Todos os temas · Versão em markdown