O aprendizado de máquina pode orientar a tomada de decisão clínica em cirurgia abdominal?
Resposta curta: Uma revisão sistemática identificou 47 estudos sobre aprendizado de máquina em cirurgia abdominal. A maioria (63,8%) relatou superioridade do aprendizado de máquina na predição de benefícios e riscos cirúrgicos frente a rotinas convencionais. Porém, o número reduzido de publicações e a escassez de estudos colaborativos entre cirurgiões e cientistas da computação indicam fase inicial.
Resposta
A revisão sistemática teve como objetivo avaliar o papel atual e futuro do aprendizado de máquina (ML) na tomada de decisão clínica em cirurgia abdominal. Os autores utilizaram a estrutura PICO para definir palavras-chave e questões de pesquisa, e seguiram as diretrizes PRISMA para realizar uma busca sistemática na base PubMed. Após a filtragem por critérios distintos, os artigos selecionados foram revisados manualmente na íntegra.
Foram identificados 4.396 artigos, dos quais 47 atenderam aos critérios de inclusão. O número médio de pacientes incluídos nos estudos foi de 55.843. Oito técnicas distintas de ML foram avaliadas, e a área sob a curva ROC (AUROC) foi a métrica mais utilizada para comparar as predições do ML com as rotinas convencionais de tomada de decisão clínica.
A maioria dos autores (30 de 47, ou 63,8%) afirmou que o ML é superior na predição de benefícios e riscos da cirurgia. A principal vantagem apontada foi a identificação de parâmetros altamente relevantes que podem ser integrados em algoritmos para permitir um prognóstico mais preciso.
Os autores concluem que o valor potencial do ML para a decisão cirúrgica foi demonstrado em vários artigos científicos. No entanto, o baixo número de publicações e a escassez de estudos colaborativos entre cirurgiões e cientistas da computação evidenciam que o campo ainda está em fase inicial. Iniciativas de pesquisa interdisciplinares que combinem conjuntos de dados clínicos existentes e técnicas emergentes de processamento de dados podem, no futuro, melhorar a tomada de decisão clínica em cirurgia abdominal.
O que o estudo mostrou
Trata-se de uma revisão sistemática da literatura que seguiu as diretrizes PRISMA e utilizou a estrutura PICO para identificar palavras-chave e questões de pesquisa. A busca na base PubMed resultou em 4.396 artigos, dos quais 47 preencheram os critérios de inclusão. O número médio de pacientes incluídos foi de 55.843. Oito técnicas distintas de aprendizado de máquina foram avaliadas, e a AUROC foi a métrica mais usada para comparar as predições do ML com as rotinas convencionais. A maioria dos autores (30/47, 63,8%) relatou superioridade do ML na predição de benefícios e riscos cirúrgicos, destacando a identificação de parâmetros relevantes para algoritmos de prognóstico mais preciso.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre possíveis vieses de publicação. Também não são descritas as características específicas das populações estudadas ou dos tipos de cirurgia abdominal. O número reduzido de publicações e a escassez de estudos colaborativos entre cirurgiões e cientistas da computação limitam a generalização dos achados. Além disso, o resumo não fornece informações sobre a aplicabilidade clínica imediata dos modelos de ML avaliados.
Aplicação no consultório
Para o cirurgião abdominal, os achados indicam que o aprendizado de máquina pode, no futuro, auxiliar na predição de riscos e benefícios cirúrgicos, mas ainda não há evidências suficientes para incorporá-lo rotineiramente à prática clínica. No consultório, isso significa que a decisão cirúrgica deve continuar baseada em experiência clínica e diretrizes, enquanto se acompanha o desenvolvimento da área. Gestores podem considerar o incentivo a colaborações interdisciplinares e a coleta estruturada de dados clínicos, que serão fundamentais para o desenvolvimento e validação de modelos preditivos. A ausência de estudos colaborativos entre cirurgiões e cientistas da computação sugere que a formação de equipes multidisciplinares pode ser um diferencial competitivo para instituições que desejam participar de pesquisas futuras.
Estudo citado
Machine learning to guide clinical decision-making in abdominal surgery-a systematic literature review. Langenbeck's archives of surgery, 2022.
Autores: Henn J, Buness A, Schmid M, Kalff JC, Matthaei H.
DOI: 10.1007/s00423-021-02348-w · PubMed: PMID 34716472
Perguntas para aprofundar
- Quais técnicas de aprendizado de máquina têm sido mais estudadas em cirurgia abdominal?
- Como a AUROC é utilizada para comparar modelos de aprendizado de máquina com a decisão clínica convencional?
- Quais são os principais desafios para a implementação clínica do aprendizado de máquina em cirurgia abdominal?
Mais sobre IA em cirurgia e robótica
- Qual é o estado atual do uso de aprendizado de máquina em cirurgia da coluna vertebral?
- Algoritmos de aprendizado de máquina podem prever a progressão do aneurisma de aorta abdominal?
- Como a inteligência artificial tem sido aplicada na prática clínica da anestesiologia e o que a evidência mostra até agora?
- A inteligência artificial é útil para diagnosticar e classificar fraturas de quadril na emergência?
- Quais desfechos e metodologias são utilizados em modelos de predição por aprendizado de máquina em cirurgia ortopédica?
Todas as perguntas sobre IA em cirurgia e robótica · Todos os temas · Versão em markdown