# Modelos de aprendizado de máquina usando dados hospitalares de rotina podem prever risco de AVC com melhor acurácia que escores tradicionais?

> Sim, segundo a revisão sistemática. Modelos de aprendizado de máquina previram risco de AVC em populações geral e com fibrilação atrial, com AUC de 0,64 a 0,99, e superaram escores tradicionais como CHA2DS2-VASc. Porém, os estudos frequentemente apresentaram limitações metodológicas, como suspeita de overfitting e falta de validação externa e calibração, impedindo a integração clínica imediata.

Estudo citado: Heseltine-Carp W, Courtman M, Browning D, Kasabe A, Allen M, Streeter A et al.. Machine learning to predict stroke risk from routine hospital data: A systematic review. International journal of medical informatics. 2025. DOI: https://doi.org/10.1016/j.ijmedinf.2025.105811. PubMed: https://pubmed.ncbi.nlm.nih.gov/39908727/

## Resposta

A revisão sistemática avaliou 49 estudos originais que usaram aprendizado de máquina (ML) para prever risco de AVC a partir de dados hospitalares de rotina, publicados entre janeiro de 2013 e dezembro de 2024. Desses, 38 envolveram a população geral e 11 populações específicas com fibrilação atrial (FA). O objetivo foi sumarizar o desempenho desses modelos e destacar limitações metodológicas comuns.

Os resultados mostram que os modelos de ML conseguiram prever risco de AVC com acurácia, com AUC variando de 0,64 a 0,99. Quando comparados a ferramentas tradicionais de estratificação de risco, como CHA2DS2-VASc, os modelos de ML foram consistentemente superiores. Além disso, o ML mostrou utilidade na identificação de novos fatores de risco a partir de dados de eletrocardiograma, exames laboratoriais e ecocardiografia.

Apesar do potencial, a qualidade dos conjuntos de dados foi frequentemente limitada. Houve alta suspeita de overfitting, e os modelos muitas vezes careceram de calibração, validação externa e análise de explicabilidade. Essas limitações metodológicas comprometem a confiabilidade e a generalização dos resultados antes da integração na prática clínica.

Os autores concluem que, embora o ML tenha grande potencial na predição de AVC e identificação de novos fatores de risco, melhorias na metodologia dos estudos são necessárias. Recomenda-se que pesquisas futuras sigam as diretrizes EQUATOR para modelos de predição e incentivem a colaboração interdisciplinar entre cientistas da computação e clínicos. Além disso, ensaios clínicos randomizados prospectivos são necessários para validar os modelos no ambiente clínico e identificar barreiras à integração do ML na rotina assistencial.

## O que o estudo mostrou

Revisão sistemática de 49 estudos originais (38 na população geral e 11 em populações com fibrilação atrial) publicados entre janeiro de 2013 e dezembro de 2024, identificados no PUBMED. Modelos de aprendizado de máquina previram risco de AVC com AUC de 0,64 a 0,99 e superaram ferramentas tradicionais como CHA2DS2-VASc. O ML também identificou novos fatores de risco a partir de eletrocardiograma, exames laboratoriais e ecocardiografia. Contudo, os conjuntos de dados eram limitados, com suspeita de overfitting e falta de calibração, validação externa e explicabilidade.

## Limitações

O resumo não informa detalhes sobre a qualidade individual dos estudos incluídos, nem sobre heterogeneidade entre eles. As principais limitações apontadas são a qualidade limitada dos conjuntos de dados, a alta suspeita de overfitting e a ausência frequente de calibração, validação externa e análise de explicabilidade nos modelos. O resumo não informa se houve avaliação de viés dos estudos primários.

## Aplicação no consultório

Os achados ainda não permitem incorporar modelos de ML na rotina clínica para estratificação de risco de AVC, devido às limitações metodológicas. Para o médico, a aplicação prática imediata é cautela: não substituir escores validados como CHA2DS2-VASc por modelos de ML sem validação externa. No consultório, isso significa manter as ferramentas tradicionais e aguardar estudos prospectivos que confirmem a utilidade clínica. A gestão pode considerar o potencial futuro de usar dados hospitalares de rotina para predição, mas sem mudanças imediatas.

## Perguntas para aprofundar

- Quais são as principais limitações metodológicas dos modelos de aprendizado de máquina para predição de AVC?
- Como o aprendizado de máquina pode identificar novos fatores de risco de AVC a partir de dados de eletrocardiograma e ecocardiograma?
- O que é necessário para validar e integrar modelos de aprendizado de máquina na prática clínica para predição de AVC?

Tema: IA em cardiologia (ECG e ecocardiograma). Página: https://alphadoctor.com.br/ciencia/ia-cardiologia/modelos-de-aprendizado-de-maquina-usando-dados-hospitalares-de-rotina-podem/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.