# Como o aprendizado de máquina pode auxiliar no diagnóstico e na predição de tratamento da craniossinostose?

> Uma revisão sistemática identificou que modelos de aprendizado de máquina demonstram alta acurácia na identificação de diferentes tipos de craniossinostose, na quantificação objetiva da gravidade e na predição de desfechos cirúrgicos, auxiliando estratégias de tratamento personalizadas, apesar da diversidade metodológica entre os estudos.

Estudo citado: Luo A, Gurses ME, Gecici NN, Kozel G, Lu VM, Komotar RJ et al.. Machine learning applications in craniosynostosis diagnosis and treatment prediction: a systematic review. Child's nervous system : ChNS : official journal of the International Society for Pediatric Neurosurgery. 2024. DOI: https://doi.org/10.1007/s00381-024-06409-5. PubMed: https://pubmed.ncbi.nlm.nih.gov/38647661/

## Resposta

A craniossinostose é definida como a fusão prematura de uma ou mais suturas cranianas fibrosas que conectam os ossos do crânio. O aprendizado de máquina (ML) é uma tecnologia emergente, e sua aplicação na detecção e no manejo da craniossinostose ainda é pouco explorada. Esta revisão sistemática teve como objetivo avaliar o uso de técnicas de ML no diagnóstico, na avaliação de gravidade e na modelagem preditiva da craniossinostose.

Foi realizada uma busca abrangente nas bases de dados PubMed e Google Scholar com palavras-chave predefinidas relacionadas à craniossinostose e ML. Os critérios de inclusão englobaram estudos revisados por pares, em inglês, que investigaram algoritmos de ML no diagnóstico, na avaliação de gravidade ou na predição de desfechos de tratamento da craniossinostose. Três revisores independentes triaram os resultados, realizaram avaliação de texto completo e extraíram dados dos estudos selecionados usando um formulário padronizado.

Treze estudos atenderam aos critérios de inclusão e foram incluídos na revisão. Desses treze artigos examinados sobre a aplicação de ML na identificação e no tratamento da craniossinostose, dois eram dedicados à craniossinostose sagital, cinco utilizaram vários tipos diferentes de craniossinostose no treinamento e teste de seus modelos de ML, e seis eram dedicados à craniossinostose metópica. Os modelos de ML demonstraram alta acurácia na identificação de diferentes tipos de craniossinostose e na quantificação objetiva da gravidade usando métricas inovadoras, como escore de gravidade metópica e desvio da morfologia craniana.

Os achados destacam os avanços significativos no uso de técnicas de ML para diagnóstico, avaliação de gravidade e modelagem preditiva da craniossinostose. A modelagem preditiva de desfechos de tratamento após intervenções cirúrgicas mostrou resultados promissores, auxiliando em estratégias de tratamento personalizadas. Apesar das diversidades metodológicas entre os estudos, a evidência coletiva ressalta o potencial transformador do ML na gestão da craniossinostose.

## O que o estudo mostrou

Trata-se de uma revisão sistemática que incluiu treze estudos. A busca foi realizada no PubMed e Google Scholar, com triagem por três revisores independentes. Dos treze artigos, dois focaram em craniossinostose sagital, cinco usaram vários tipos de craniossinostose e seis dedicaram-se à craniossinostose metópica. Modelos de ML mostraram alta acurácia na identificação de tipos de craniossinostose e na quantificação objetiva da gravidade com métricas como escore de gravidade metópica e desvio da morfologia craniana. A modelagem preditiva de desfechos cirúrgicos apresentou resultados promissores.

## Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, o tamanho das amostras, as técnicas específicas de ML empregadas ou as métricas de desempenho exatas. Também não são descritas limitações dos próprios estudos primários. A diversidade metodológica entre os estudos é mencionada, mas não é detalhada, o que impede conclusões mais precisas sobre a aplicabilidade clínica dos modelos.

## Aplicação no consultório

Para o médico que atende crianças com craniossinostose, os achados sugerem que ferramentas de ML podem, no futuro, auxiliar no diagnóstico diferencial e na avaliação objetiva da gravidade, apoiando a decisão cirúrgica e o aconselhamento familiar. Na gestão do consultório, isso pode significar a incorporação de softwares de apoio à decisão e a necessidade de treinamento da equipe para interpretar essas ferramentas. No entanto, a implementação clínica ainda depende de validação externa e padronização, não sendo possível no momento atual basear condutas exclusivamente nesses modelos.

## Perguntas para aprofundar

- Quais são as métricas de acurácia dos modelos de aprendizado de máquina no diagnóstico de craniossinostose?
- Como o aprendizado de máquina pode personalizar o tratamento cirúrgico da craniossinostose?
- Quais são as principais limitações metodológicas dos estudos sobre aprendizado de máquina em craniossinostose?

Tema: IA em cirurgia e robótica. Página: https://alphadoctor.com.br/ciencia/ia-cirurgia-robotica/como-o-aprendizado-de-maquina-pode-auxiliar-no-diagnostico-e-na-predicao-de/

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