Algoritmos de inteligência artificial e aprendizado de máquina são confiáveis para o diagnóstico precoce de câncer de pele na atenção primária?
Resposta curta: A revisão sistemática identificou que, embora a acurácia diagnóstica média dos algoritmos seja razoável para melanoma, carcinoma espinocelular e basocelular, poucos estudos usaram dados de populações com baixa prevalência de câncer de pele, típicas da atenção primária. Assim, a adoção generalizada na prática comunitária não pode ser recomendada até que a eficácia nessas populações seja demonstrada.
Resposta
A revisão sistemática buscou evidências sobre algoritmos de inteligência artificial e aprendizado de máquina (IA/ML) para o diagnóstico precoce de câncer de pele, com foco em sua aplicação na atenção primária e comunitária. Foram identificados 14 224 estudos, dos quais 272 foram considerados potencialmente relevantes para a atenção primária. Apenas dois estudos utilizaram dados de ambientes clínicos com baixa prevalência de câncer de pele, o que é representativo do cenário da atenção primária.
Os resultados principais mostraram acurácia diagnóstica média razoável para melanoma (89·5%; variação 59·7-100%), carcinoma espinocelular (85·3%; variação 71·0-97·8%) e carcinoma basocelular (87·6%; variação 70·0-99·7%). No entanto, os desfechos secundários revelaram grande heterogeneidade nos métodos de IA/ML e nos desenhos dos estudos, além de altas taxas de relato incompleto, como dados demográficos dos pacientes e métodos de coleta de dados.
Poucos estudos utilizaram dados de populações com baixa prevalência de câncer de pele para treinar e testar seus algoritmos. Portanto, a adoção generalizada na prática comunitária e na atenção primária não pode ser recomendada atualmente, até que a eficácia nessas populações seja demonstrada. Além disso, não foram identificados dados de custo-efetividade, aceitabilidade por pacientes ou clínicos para nenhum dos estudos incluídos.
Os autores propõem uma lista de verificação metodológica para uso no desenvolvimento de novos algoritmos de IA/ML para detecção de câncer de pele, com o objetivo de facilitar seu design, avaliação e implementação. Essa ferramenta pode ajudar a padronizar futuros estudos e a preencher as lacunas identificadas, especialmente a necessidade de validação em cenários de baixa prevalência.
Para o médico brasileiro, os achados indicam que, embora a IA/ML mostre potencial, sua aplicação na atenção primária ainda requer cautela. A implementação clínica deve aguardar evidências robustas em populações com características semelhantes às da atenção primária, incluindo diversidade demográfica e prevalência real de câncer de pele. Enquanto isso, a lista de verificação proposta pode orientar a avaliação crítica de novas ferramentas antes de sua incorporação na prática.
O que o estudo mostrou
Revisão sistemática que buscou estudos sobre algoritmos de IA/ML para diagnóstico precoce de câncer de pele. Foram identificados 14 224 estudos, e 272 foram reportados como potencialmente relevantes para atenção primária. Apenas dois estudos usaram dados de ambientes clínicos com baixa prevalência de câncer de pele. A acurácia diagnóstica média foi de 89·5% para melanoma (variação 59·7-100%), 85·3% para carcinoma espinocelular (variação 71·0-97·8%) e 87·6% para carcinoma basocelular (variação 70·0-99·7%). Houve heterogeneidade de métodos e relato incompleto. Não foram encontrados dados de custo-efetividade ou aceitabilidade.
Limitações
O resumo não informa detalhes sobre o desenho dos estudos incluídos, nem sobre a qualidade metodológica individual. A principal limitação apontada é que poucos estudos usaram dados de populações com baixa prevalência de câncer de pele, típicas da atenção primária, o que limita a generalização dos resultados. Além disso, não foram identificados dados de custo-efetividade, aceitabilidade por pacientes ou clínicos, e há alta heterogeneidade e relato incompleto nos estudos.
Aplicação no consultório
Os achados sugerem que o médico da atenção primária deve ser cauteloso ao considerar o uso de algoritmos de IA/ML para diagnóstico precoce de câncer de pele, pois a evidência atual não suporta sua adoção generalizada nesse contexto. A gestão do consultório pode se beneficiar da lista de verificação proposta para avaliar criticamente novas ferramentas antes de incorporá-las. Além disso, é importante aguardar estudos de custo-efetividade e aceitabilidade para orientar decisões de implementação e alocação de recursos.
Estudo citado
Artificial intelligence and machine learning algorithms for early detection of skin cancer in community and primary care settings: a systematic review. The Lancet. Digital health, 2022.
Autores: Jones OT, Matin RN, van der Schaar M, Prathivadi Bhayankaram K, Ranmuthu CKI, Islam MS, Behiyat D, Boscott R, Calanzani N, Emery J, Williams HC, Walter FM.
DOI: 10.1016/S2589-7500(22)00023-1 · PubMed: PMID 35623799
Perguntas para aprofundar
- Qual é a acurácia diagnóstica dos algoritmos de IA/ML para câncer de pele em populações de atenção primária?
- Quais são as lacunas metodológicas nos estudos sobre IA/ML para diagnóstico de câncer de pele?
- Como a lista de verificação proposta pode auxiliar no desenvolvimento de novos algoritmos?
Mais sobre IA em dermatologia
- Como o aprendizado de máquina tem sido aplicado na detecção de câncer e quais os desafios atuais?
- Como a inteligência artificial tem sido aplicada na classificação de imagens de câncer de pele?
- A inteligência artificial em mamografia tem validação externa suficiente para complementar o rastreamento do câncer de mama na prática clínica?
- Quais são os tipos e a frequência de erros da inteligência artificial na leitura de mamografias de rastreamento?
- A inteligência artificial já é confiável para diagnosticar melanoma e carcinoma de queratinócitos na prática dermatológica?
Todas as perguntas sobre IA em dermatologia · Todos os temas · Versão em markdown