# O aprendizado de máquina é útil para prever rejeição de enxerto após transplante renal?

> Sim. Esta revisão sistemática com meta-análise identificou que algoritmos de aprendizado de máquina, especialmente Árvore de Decisão e Rede Neural Artificial, apresentaram bom desempenho na predição de rejeição de enxerto. A Árvore de Decisão teve AUC média de 79,5% ± 0,06, superior à Rede Neural Artificial, com 78,2% ± 0,08.

Estudo citado: Nursetyo AA, Syed-Abdul S, Uddin M, Li YJ. Graft Rejection Prediction Following Kidney Transplantation Using Machine Learning Techniques: A Systematic Review and Meta-Analysis. Studies in health technology and informatics. 2019. DOI: https://doi.org/10.3233/SHTI190173. PubMed: https://pubmed.ncbi.nlm.nih.gov/31437875/

## Resposta

A rejeição do enxerto é uma complicação difícil de prever após o transplante renal, pois depende da variabilidade entre doadores e receptores. Esta revisão sistemática com meta-análise buscou sintetizar a literatura sobre o papel do aprendizado de máquina na predição de rejeição de enxerto em pacientes transplantados renais.

Foram incluídos 14 estudos, abrangendo 109.317 pacientes transplantados renais. A partir dos estudos revisados, foram extraídos cinco algoritmos diferentes de aprendizado de máquina. Os autores avaliaram o desempenho desses modelos por meio da Área sob a Curva (AUC).

Os algoritmos de Árvore de Decisão apresentaram desempenho ligeiramente superior, com AUC média de 79,5% ± 0,06, em comparação com a Rede Neural Artificial, que teve AUC média de 78,2% ± 0,08. Para a predição de rejeição de enxerto, a Rede Neural Artificial e a Árvore de Decisão ficaram entre os modelos com maior acurácia e AUC.

O resumo não detalha as características individuais dos estudos incluídos, como desenho de cada um, critérios de inclusão ou formas de validação dos modelos. Também não informa como os dados foram coletados nem o intervalo de tempo das publicações analisadas.

Para o médico, os achados sugerem que ferramentas de aprendizado de máquina podem, no futuro, apoiar a estratificação de risco de rejeição. Contudo, o resumo não permite concluir que esses modelos estejam prontos para uso clínico rotineiro, sendo necessária cautela na interpretação.

## O que o estudo mostrou

Trata-se de uma revisão sistemática com meta-análise que buscou estudos nas bases PubMed, DBLP e Scopus. Foram incluídos 14 estudos, totalizando 109.317 pacientes transplantados renais. Cinco algoritmos de aprendizado de máquina foram extraídos. A Árvore de Decisão apresentou AUC média de 79,5% ± 0,06, superior à Rede Neural Artificial, com 78,2% ± 0,08. Para predição de rejeição de enxerto, ambos ficaram entre os modelos de maior acurácia e AUC.

## Limitações

O resumo não informa o desenho individual dos estudos incluídos, os critérios de seleção, o risco de viés ou as formas de validação dos modelos. Também não detalha heterogeneidade entre estudos nem características clínicas das populações. Essas ausências limitam a generalização dos achados para a prática clínica.

## Aplicação no consultório

Os resultados podem orientar o médico a acompanhar com interesse o desenvolvimento de modelos preditivos de rejeição, sem adotá-los ainda como ferramenta rotineira. Na gestão do consultório, vale considerar a necessidade de infraestrutura de dados e de validação local antes de incorporar qualquer algoritmo à prática. O resumo não permite definir condutas específicas.

## Perguntas para aprofundar

- Quais variáveis clínicas os modelos de aprendizado de máquina usam para prever rejeição de enxerto renal?
- Como a Árvore de Decisão se compara a outros modelos na predição de rejeição em transplante renal?
- Esses modelos de aprendizado de máquina já estão validados para uso clínico rotineiro?

Tema: IA em cirurgia e robótica. Página: https://alphadoctor.com.br/ciencia/ia-cirurgia-robotica/o-aprendizado-de-maquina-e-util-para-prever-rejeicao-de-enxerto-apos/

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