A inteligência artificial e o aprendizado de máquina são aplicáveis no diagnóstico e manejo dos distúrbios obstrutivos das vias aéreas superiores em pediatria?
Resposta curta: Sim, mas com limitações. A revisão sistemática identificou que a maioria dos estudos foca na apneia obstrutiva do sono (AOS) pediátrica, principalmente no diagnóstico e classificação de gravidade, com destaque para redes neurais convolucionais e uso de sinais de saturação de oxigênio. Desempenho varia conforme dados de entrada e desenho do estudo. Não há estudos sobre tratamento ou monitoramento.
Resposta
A revisão sistemática baseada em PRISMA buscou artigos em inglês nas bases PubMed, Scopus e Web of Science sobre o uso de inteligência artificial (IA) e aprendizado de máquina (ML) em crianças (≤ 18 anos) com obstrução das vias aéreas superiores (UAO). Foram identificados 76 artigos, dos quais 27 foram incluídos. A maioria dos estudos abordou a apneia obstrutiva do sono (AOS) pediátrica, com foco em diagnóstico e classificação de gravidade.
As abordagens de IA mais comuns foram as redes neurais convolucionais (CNNs), utilizadas em 29% dos estudos. A modalidade de entrada mais frequente foi o sinal de saturação de oxigênio noturno (SpO₂), em 44% dos estudos, seguida por parâmetros clínicos (14,8%), eletrocardiografia (ECG) (7,4%) e dados de polissonografia (PSG) (7,4%). O desempenho dos modelos variou conforme os dados de entrada e o desenho do estudo.
Métodos avançados para AOS mostraram alta acurácia: aprendizado profundo (88,8%), actigrafia/oximetria (96%) e oxímetros de smartphone (> 79%). O algoritmo Sunrise alcançou 100% de sensibilidade para AOS grave. No entanto, os estudos apresentam limitações como populações heterogêneas, tamanhos amostrais pequenos e foco predominante na AOS, o que pode restringir a generalização dos achados.
Os autores concluem que, na medicina do sono pediátrica, os modelos de ML concentram-se no diagnóstico, principalmente usando sinais fisiológicos e XGBoost/Support Vector Machines (SVM) para dados clínicos. Nenhum estudo abordou tratamento ou monitoramento. Desafios como diversidade de dados, validação e viabilidade permanecem. Portanto, a aplicação clínica rotineira ainda requer mais pesquisas e validação externa.
O que o estudo mostrou
Revisão sistemática PRISMA que incluiu 27 de 76 artigos identificados. A maioria dos estudos focou na apneia obstrutiva do sono (AOS) pediátrica, especialmente diagnóstico e classificação de gravidade. As CNNs foram a abordagem mais comum (29%). A modalidade de entrada mais frequente foi SpO₂ (44%), seguida de parâmetros clínicos (14,8%), ECG (7,4%) e PSG (7,4%). Desempenho variou; métodos avançados mostraram alta acurácia: aprendizado profundo (88,8%), actigrafia/oximetria (96%), oxímetros de smartphone (> 79%) e algoritmo Sunrise com 100% de sensibilidade para AOS grave.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos. As limitações apontadas incluem populações de pacientes heterogêneas, tamanhos amostrais pequenos e foco predominante na AOS, o que pode restringir a generalização dos achados. Além disso, não foram encontrados estudos sobre tratamento ou monitoramento, e desafios como diversidade de dados, validação e viabilidade permanecem.
Aplicação no consultório
Os achados sugerem que ferramentas de IA/ML podem auxiliar no diagnóstico e classificação de gravidade da AOS pediátrica, especialmente com uso de sinais de oximetria e parâmetros clínicos. No entanto, a heterogeneidade e a falta de validação externa limitam a aplicação imediata na rotina. O médico deve interpretar com cautela e considerar a necessidade de mais estudos antes de incorporar essas ferramentas na prática clínica. Para a gestão do consultório, investimentos em tecnologia de IA devem ser avaliados criticamente, priorizando soluções validadas e com respaldo científico.
Estudo citado
Current role of artificial intelligence and machine learning: is their application feasible in pediatric upper airway obstructive disorders? European archives of oto-rhino-laryngology : official journal of the European Federation of Oto-Rhino-Laryngological Societies (EUFOS) : affiliated with the German Society for Oto-Rhino-Laryngology - Head and Neck Surgery, 2026.
Autores: Dallari V, Reale M, Fermi M, Fabbris C, Trecca EMC.
DOI: 10.1007/s00405-025-09592-6 · PubMed: PMID 40775390
Perguntas para aprofundar
- Qual o desempenho das redes neurais convolucionais no diagnóstico de apneia obstrutiva do sono em crianças?
- A oximetria noturna é suficiente para classificar a gravidade da AOS pediátrica com uso de IA?
- Quais as lacunas de pesquisa sobre IA em distúrbios obstrutivos das vias aéreas superiores em pediatria?
Mais sobre IA em cardiologia (ECG e ecocardiograma)
- Algoritmos de aprendizado de máquina aplicados à interpretação do eletrocardiograma são viáveis e válidos para diagnosticar fibrilação atrial e síndrome do QT longo?
- A inteligência artificial pode transformar o cuidado das arritmias na prática clínica?
- A inteligência artificial pode auxiliar no diagnóstico e classificação da apneia do sono?
- A inteligência artificial aplicada ao ecocardiograma já pode ser usada na prática clínica para avaliar disfunção diastólica?
- Modelos de inteligência artificial baseados em ECG têm bom desempenho diagnóstico para apneia obstrutiva do sono em nível de segmento?
Todas as perguntas sobre IA em cardiologia (ECG e ecocardiograma) · Todos os temas · Versão em markdown