IA em cardiologia (ECG e ecocardiograma)

Um sistema de rede neural profunda pode reduzir a carga de trabalho na triagem de revisões sistemáticas para diretrizes clínicas?

Resposta

A triagem manual de literatura em revisões sistemáticas é um processo demorado e que consome muitos recursos. Este estudo investigou se um sistema de aprendizado de máquina poderia tornar esse processo mais eficiente, usando como referência revisões sistemáticas e meta-análises de ensaios clínicos randomizados citadas em diretrizes clínicas recentes de sociedades como a American Diabetes Association, American College of Cardiology, American Heart Association e American Stroke Association.

Os pesquisadores reproduziram os conjuntos de dados de triagem primária de cada revisão, separando artigos corretos (aqueles realmente revisados) e incorretos (não revisados). Esses conjuntos foram usados para treinar um motor de inteligência artificial baseado em rede neural, o Concept Encoder (Fronteo Inc). O desfecho primário foi a economia de trabalho na amostragem com 95% de recall (WSS@95%).

Entre 145 revisões candidatas de ensaios clínicos randomizados, 8 preencheram os critérios de inclusão. Para essas 8 revisões, o sistema reduziu significativamente a carga de triagem em pelo menos 6 vezes em comparação com a triagem manual, com base no WSS@95%. Quando o aprendizado foi iniciado com 2 artigos corretos selecionados aleatoriamente por um pesquisador, alcançou-se uma redução de 10 vezes na carga de trabalho, mantendo alta sensibilidade para estudos elegíveis. A área sob a curva ROC aumentou drasticamente a cada artigo correto aprendido.

Os autores concluem que o Concept Encoder pode facilitar a obtenção de evidências para diretrizes clínicas, mas ressaltam que poucas meta-análises de ensaios clínicos randomizados foram incluídas. Isso significa que os resultados são promissores, porém a aplicabilidade em diferentes contextos ainda precisa ser confirmada.

Para o médico brasileiro, a ferramenta pode representar um apoio na triagem de literatura, mas não substitui a avaliação crítica e a decisão clínica. A implementação na prática deve considerar as limitações do estudo e a necessidade de validação em outros cenários.

O que o estudo mostrou

Estudo de validação de algoritmo que avaliou revisões sistemáticas e meta-análises de ensaios clínicos randomizados citadas em diretrizes clínicas recentes. De 145 revisões candidatas, 8 preencheram os critérios de inclusão. O sistema de rede neural Concept Encoder reduziu a carga de triagem em pelo menos 6 vezes em relação à triagem manual, com base no WSS@95%. Quando iniciado com 2 artigos corretos selecionados aleatoriamente, alcançou redução de 10 vezes, com alta sensibilidade para estudos elegíveis. A área sob a curva ROC aumentou a cada artigo correto aprendido.

Limitações

O resumo informa que poucas meta-análises de ensaios clínicos randomizados foram incluídas (8 revisões), o que limita a generalização dos achados. O resumo não informa detalhes sobre a amostra total de artigos, o desenho exato do estudo de validação, nem possíveis vieses. Não há informação sobre a aplicabilidade em outras áreas além das diretrizes citadas.

Aplicação no consultório

A ferramenta pode auxiliar médicos na triagem rápida de literatura científica, reduzindo o tempo gasto em revisões sistemáticas. No entanto, a decisão clínica deve permanecer baseada na avaliação crítica dos estudos. Para gestão do consultório, pode otimizar a atualização de evidências, mas requer validação local e treinamento da equipe. Não substitui a leitura completa dos artigos selecionados.

Estudo citado

Deep Neural Network for Reducing the Screening Workload in Systematic Reviews for Clinical Guidelines: Algorithm Validation Study. Journal of medical Internet research, 2020.
Autores: Yamada T, Yoneoka D, Hiraike Y, Hino K, Toyoshiba H, Shishido A, Noma H, Shojima N, Yamauchi T.
DOI: 10.2196/22422 · PubMed: PMID 33262102

Perguntas para aprofundar

• Qual é a acurácia do Concept Encoder em comparação com a triagem manual em diferentes áreas clínicas?
• Como o aprendizado de máquina pode ser integrado ao fluxo de trabalho de revisões sistemáticas para diretrizes?
• Quais são as limitações da aplicação de redes neurais na triagem de literatura para prática clínica?

Mais sobre IA em cardiologia (ECG e ecocardiograma)

• Modelos de aprendizado de máquina aplicados ao ECG têm acurácia diagnóstica suficiente para identificar cardiomiopatia hipertrófica na prática clínica?
• Algoritmos de aprendizado de máquina têm desempenho clínico aceitável para prever hipotensão intraoperatória?
• Algoritmos de aprendizado de máquina aplicados à interpretação do eletrocardiograma são viáveis e válidos para diagnosticar fibrilação atrial e síndrome do QT longo?
• Quais algoritmos de aprendizado de máquina supervisionado são mais usados e precisos para diagnosticar doenças cardíacas?
• Aprendizado de máquina detecta fibrilação atrial com mais acurácia que especialistas clínicos?

Todas as perguntas sobre IA em cardiologia (ECG e ecocardiograma) · Todos os temas · Versão em markdown