Modelos de machine learning são melhores que métodos convencionais para prever desfechos cirúrgicos?
Resposta curta: Uma revisão sistemática mostrou que todos os estudos que compararam algoritmos de machine learning com métodos convencionais, usando a área sob a curva (AUC), encontraram melhor predição de desfechos com os modelos de machine learning. No entanto, a heterogeneidade dos desfechos e a qualidade variável dos estudos limitam conclusões definitivas.
Resposta
A revisão sistemática teve como objetivo examinar criticamente o estado atual do machine learning (ML) na predição de desfechos cirúrgicos, avaliar a qualidade da pesquisa disponível e propor áreas de melhoria para usos futuros. Foram incluídos 45 estudos publicados entre 2015 e 2020, abrangendo diversas subespecialidades cirúrgicas, com destaque para a neurocirurgia.
Os algoritmos de ML mais utilizados foram random forest (n = 19), rede neural artificial (n = 17) e regressão logística (n = 17). Os desfechos mais comuns incluíram mortalidade pós-operatória, complicações, qualidade de vida relatada pelo paciente e melhora da dor. Todos os estudos que compararam os algoritmos de ML com métodos convencionais, usando a área sob a curva (AUC) para medir acurácia, encontraram melhor predição de desfechos com os modelos de ML.
Apesar dos resultados promissores, os autores destacam que o campo ainda está em estágios iniciais. As limitações incluíram heterogeneidade dos desfechos e qualidade imperfeita de alguns dos artigos. Os pesquisadores enfatizam a necessidade de que estudos futuros concordem sobre métodos de relato de desfechos e exijam padrões básicos de qualidade.
Para o cirurgião, os modelos de ML oferecem uma oportunidade de utilizar a grande quantidade de dados clínicos disponíveis para melhorar o cuidado individualizado ao paciente. No entanto, a implementação na prática clínica requer cautela, dado que a qualidade metodológica dos estudos ainda é variável e os desfechos não são padronizados.
A revisão reforça que, embora promissor, o uso de ML em cirurgia precisa de padronização e rigor metodológico antes de ser incorporado rotineiramente. O resumo não informa detalhes sobre a amostra total de pacientes ou o desenho específico de cada estudo incluído.
O que o estudo mostrou
Trata-se de uma revisão sistemática conduzida de acordo com a lista PRISMA, com busca nas bases PubMed, MEDLINE e Embase sob a sintaxe "machine learning" e "surgery" para artigos publicados entre 2015 e 2020. De 2677 estudos iniciais, 45 preencheram os critérios de inclusão e exclusão. Quatorze subespecialidades foram representadas, sendo neurocirurgia a mais comum. Os algoritmos mais usados foram random forest (n = 19), rede neural artificial (n = 17) e regressão logística (n = 17). Desfechos comuns incluíram mortalidade pós-operatória, complicações, qualidade de vida e melhora da dor. Todos os estudos que compararam ML com métodos convencionais usando AUC encontraram melhor predição com ML.
Limitações
O resumo informa que as limitações incluíram heterogeneidade dos desfechos e qualidade imperfeita de alguns dos artigos. Não são fornecidos detalhes sobre a amostra total de pacientes, o risco de viés individual dos estudos ou a magnitude das melhorias na AUC. Os autores recomendam que pesquisas futuras concordem sobre métodos de relato de desfechos e exijam padrões básicos de qualidade.
Aplicação no consultório
Para o médico brasileiro, os achados sugerem que modelos de ML podem, no futuro, auxiliar na predição de desfechos cirúrgicos e no planejamento individualizado. No entanto, a heterogeneidade metodológica e a falta de padronização indicam que a aplicação clínica rotineira ainda não está estabelecida. No consultório, isso significa cautela ao adotar ferramentas preditivas sem validação local e a importância de acompanhar a literatura para identificar modelos robustos. A gestão do consultório pode se beneficiar do uso de dados clínicos estruturados para futuras análises, mas sem substituir o julgamento clínico.
Estudo citado
Machine Learning and Surgical Outcomes Prediction: A Systematic Review. The Journal of surgical research, 2021.
Autores: Elfanagely O, Toyoda Y, Othman S, Mellia JA, Basta M, Liu T, Kording K, Ungar L, Fischer JP.
DOI: 10.1016/j.jss.2021.02.045 · PubMed: PMID 33848833
Perguntas para aprofundar
- Quais algoritmos de machine learning são mais utilizados para prever desfechos cirúrgicos?
- Como a qualidade metodológica dos estudos de machine learning em cirurgia pode ser melhorada?
- Quais desfechos cirúrgicos são mais comumente avaliados por modelos de machine learning?
Mais sobre IA em cirurgia e robótica
- O aprendizado de máquina já pode ser usado para prever desfechos no tratamento neurocirúrgico de aneurismas intracranianos?
- Qual é o estado atual do uso de aprendizado de máquina em cirurgia da coluna vertebral?
- A gastrectomia robótica é comparável à laparoscópica no tratamento do câncer gástrico?
- Na cistectomia radical, a abordagem robótica é equivalente à aberta em desfechos oncológicos e perioperatórios?
- Quais predições com aprendizado de máquina já são viáveis em artroplastia do joelho e quais dados específicos são necessários?
Todas as perguntas sobre IA em cirurgia e robótica · Todos os temas · Versão em markdown