Quais algoritmos de aprendizado de máquina têm sido usados para prever doença do enxerto contra hospedeiro aguda após transplante alogênico de células-tronco hematopoéticas?
Resposta curta: Uma revisão sistemática identificou 14 estudos que usaram algoritmos de classificação por aprendizado de máquina para prever aGvHD. Os mais frequentes foram rede neural artificial, máquina de vetores de suporte, Naive Bayes, k-vizinhos mais próximos, regressão e árvores de decisão. Os preditores variaram entre biomarcadores, dados demográficos, infecções, variáveis clínicas, genes, transplantes e medicamentos.
Resposta
A doença do enxerto contra hospedeiro aguda é apontada no resumo como a causa mais importante de mortalidade em pacientes submetidos a transplante alogênico de células-tronco hematopoéticas. Como o diagnóstico costuma ocorrer em fase de dano tecidual grave, ou seja, tardiamente, cresce o interesse em modelos capazes de prever o quadro em tempo real. É nesse contexto que o aprendizado de máquina surge como ferramenta promissora.
A revisão sistemática buscou sintetizar a literatura sobre algoritmos de classificação por aprendizado de máquina aplicados à predição de aGvHD, destacando os algoritmos e as variáveis preditoras mais utilizadas. A busca foi feita em bases como PubMed, Embase, Web of Science, Scopus, Springer e IEEE Xplore, até abril de 2019, seguindo as recomendações PRISMA. Foram incluídos estudos voltados ao uso desses algoritmos no processo de predição de aGvHD.
Após aplicar critérios de inclusão e exclusão, 14 estudos foram selecionados. Os algoritmos empregados foram rede neural artificial (79%), máquina de vetores de suporte (50%), Naive Bayes (43%), k-vizinhos mais próximos (29%), regressão (29%) e árvores de decisão (14%). As variáveis preditoras foram agrupadas em categorias mais abstratas: biomarcadores, dados demográficos, infecções, variáveis clínicas, genes, transplantes, medicamentos e outras variáveis.
Os autores concluem que cada algoritmo tem características próprias e propostas de preditores distintas. Ainda assim, consideram que esses algoritmos apresentam alto potencial para prever aGvHD, desde que o processo de modelagem seja conduzido corretamente. O resumo não detalha desempenho comparativo entre os algoritmos nem validação externa dos modelos.
Para o médico que acompanha pacientes transplantados, a mensagem central é que a predição por aprendizado de máquina é um campo em consolidação, com grande diversidade de algoritmos e preditores. A aplicação clínica rotineira ainda depende de modelagem adequada e de estudos que confirmem o desempenho dos modelos, o que o resumo não permite afirmar.
O que o estudo mostrou
Trata-se de uma revisão sistemática com busca em PubMed, Embase, Web of Science, Scopus, Springer e IEEE Xplore até abril de 2019, seguindo PRISMA. Foram selecionados 14 estudos sobre algoritmos de classificação por aprendizado de máquina para prever aGvHD. Os algoritmos usados foram rede neural artificial (79%), máquina de vetores de suporte (50%), Naive Bayes (43%), k-vizinhos mais próximos (29%), regressão (29%) e árvores de decisão (14%). Os preditores foram agrupados em biomarcadores, demográficos, infecções, clínicos, genes, transplantes, medicamentos e outros.
Limitações
O resumo não informa as limitações dos estudos incluídos, a qualidade metodológica de cada um, o tamanho das amostras, as métricas de desempenho dos algoritmos nem se houve validação externa. Também não detalha a heterogeneidade entre os estudos. Assim, o resumo permite concluir apenas que há diversidade de algoritmos e preditores, não que algum modelo específico esteja pronto para uso clínico.
Aplicação no consultório
Na prática e na gestão do consultório, o médico que atende pacientes transplantados pode usar esse panorama para acompanhar a literatura sobre predição de aGvHD e discutir com a equipe de transplante quais variáveis são coletadas de forma sistemática. Como o resumo não demonstra desempenho clínico validado, não há base para incorporar um algoritmo específico à rotina. O valor imediato está em orientar a organização de dados e a interlocução com centros que desenvolvem modelos preditivos.
Estudo citado
Machine Learning Classification Algorithms to Predict aGvHD following Allo-HSCT: A Systematic Review. Methods of information in medicine, 2019.
Autores: Salehnasab C, Hajifathali A, Asadi F, Roshandel E, Kazemi A, Roshanpoor A.
DOI: 10.1055/s-0040-1709150 · PubMed: PMID 32349154
Perguntas para aprofundar
- Quais variáveis preditoras são mais consistentes entre os estudos de aprendizado de máquina para aGvHD?
- Como os modelos de aprendizado de máquina poderiam antecipar o diagnóstico de aGvHD na prática clínica?
- Que métricas de desempenho foram relatadas pelos estudos incluídos na revisão?
Mais sobre IA em cirurgia e robótica
- Modelos de aprendizado de máquina podem prever desfechos funcionais de usuários de implante coclear com desempenho adequado?
- Algoritmos de aprendizado de máquina podem prever a progressão do aneurisma de aorta abdominal?
- Aprendizado de máquina supervisionado realmente melhora a previsão de desfechos após artroplastia total de quadril e joelho?
- O aprendizado de máquina pode orientar a tomada de decisão clínica em cirurgia abdominal?
- Qual é o estado atual do uso de aprendizado de máquina em cirurgia da coluna vertebral?
Todas as perguntas sobre IA em cirurgia e robótica · Todos os temas · Versão em markdown