# Modelos de aprendizado de máquina podem prever desfechos funcionais de usuários de implante coclear com desempenho adequado?

> Uma revisão sistemática identificou estudos com 5058 usuários de implante coclear que usaram aprendizado de máquina para prever desfechos funcionais. Os modelos mostraram alta performance preditiva, com acurácia variando de 71,0% a 98,83%, mas a maioria não foi adequadamente reportada quanto às características do conjunto de dados, criação e validação, e a extensão de overfitting é incerta.

Estudo citado: Mo JT, Chong DS, Sun C, Mohapatra N, Jiam NT. Machine-Learning Predictions of Cochlear Implant Functional Outcomes: A Systematic Review. Ear and hearing. 2025. DOI: https://doi.org/10.1097/AUD.0000000000001638. PubMed: https://pubmed.ncbi.nlm.nih.gov/39876044/

## Resposta

A revisão sistemática teve como objetivo analisar modelos de aprendizado de máquina que predizem desfechos funcionais de implante coclear, definidos como percepção e produção sonora. Foram incluídos estudos com 5058 usuários pediátricos e adultos, com tamanhos amostrais variando de 4 a 2489 participantes. Os desfechos previstos foram heterogêneos, abrangendo produção sonora, percepção sonora e linguagem.

Os modelos utilizaram diversas características preditoras, incluindo dados demográficos, audiológicos, de imagem e medidas subjetivas. Alguns estudos destacaram preditores além dos tradicionais desfechos audiométricos, como características anatômicas e de imagem (por exemplo, área do nervo vestibulococlear e regiões cerebrais não afetadas pela privação auditiva), fatores do sistema de saúde (como tempo de espera para encaminhamento) e medidas relatadas pelo paciente (como questionários de tontura e zumbido).

As técnicas de aprendizado de máquina empregadas incluíram modelos baseados em árvores, em kernel, em instâncias, probabilísticos e redes neurais. A validação e os testes mais comuns foram validação cruzada k-fold e divisão treino-teste. Para os estudos que relataram acurácia, os melhores modelos de cada estudo variaram de 71,0% a 98,83%.

Os autores concluem que os modelos de aprendizado de máquina demonstram alta performance preditiva e elucidam fatores que contribuem para os desfechos funcionais de usuários de implante coclear. No entanto, a maioria dos modelos não foi adequadamente reportada quanto às características do conjunto de dados, criação do modelo e validação. Além disso, a extensão do overfitting é incerta e provavelmente resultará em generalização pobre para novos dados.

Diante disso, sugere-se a necessidade de procedimentos de validação mais robustos e padronização no relato, com a esperança de que a melhoria iterativa desses modelos permita sua adoção como ferramenta clínica futura.

## O que o estudo mostrou

Revisão sistemática com busca em múltiplas bases de dados até setembro de 2024, incluindo estudos que examinaram 5058 usuários de implante coclear (variação de 4 a 2489 por estudo). Os estudos previram desfechos de produção sonora (5 estudos), percepção sonora (12 estudos) e linguagem (2 estudos). Modelos de aprendizado de máquina utilizaram características demográficas, audiológicas, de imagem e subjetivas. Para os estudos que relataram acurácia, os melhores modelos variaram de 71,0% a 98,83%.

## Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre a heterogeneidade das populações e dos desfechos. A maioria dos modelos não foi adequadamente reportada quanto às características do conjunto de dados, criação e validação, e a extensão do overfitting é incerta, o que pode comprometer a generalização para novos dados.

## Aplicação no consultório

Os achados ainda não permitem incorporar modelos de aprendizado de máquina na prática clínica rotineira para prever desfechos de implante coclear, devido à falta de padronização e validação robusta. No consultório, o médico deve manter cautela ao interpretar estudos com esses modelos e considerar que características anatômicas, de imagem, fatores do sistema de saúde e medidas relatadas pelo paciente podem ser relevantes na avaliação, mas seu uso preditivo individualizado carece de confirmação. A gestão do consultório pode se beneficiar do acompanhamento dessas pesquisas para futura implementação.

## Perguntas para aprofundar

- Quais características anatômicas e de imagem têm sido associadas a melhores desfechos funcionais de implante coclear em modelos de aprendizado de máquina?
- Como a validação cruzada k-fold e a divisão treino-teste são utilizadas na avaliação de modelos preditivos de desfechos de implante coclear?
- Quais são as principais limitações metodológicas dos estudos que aplicam aprendizado de máquina para prever desfechos de implante coclear?

Tema: IA em cirurgia e robótica. Página: https://alphadoctor.com.br/ciencia/ia-cirurgia-robotica/modelos-de-aprendizado-de-maquina-podem-prever-desfechos-funcionais-de-usuarios/

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