# Modelos de machine learning são eficazes para prever lesão por pressão?

> Segundo esta revisão sistemática com meta-análise, modelos de machine learning para prever lesão por pressão apresentaram AUC agrupada de 0.94, sensibilidade de 0.79 e especificidade de 0.87. Os autores consideram o desempenho excelente, mas ressaltam a necessidade de estudos de boa qualidade para confirmar o valor clínico desses modelos.

Estudo citado: Pei J, Guo X, Tao H, Wei Y, Zhang H, Ma Y et al.. Machine learning-based prediction models for pressure injury: A systematic review and meta-analysis. International wound journal. 2023. DOI: https://doi.org/10.1111/iwj.14280. PubMed: https://pubmed.ncbi.nlm.nih.gov/37340520/

## Resposta

Esta revisão sistemática com meta-análise avaliou o desempenho de modelos de machine learning na predição do desenvolvimento de lesão por pressão. Os autores partiram do pressuposto de que, embora esses algoritmos sejam amplamente relatados na literatura, o desempenho real dos modelos permanecia desconhecido. Para isso, realizaram busca sistemática em múltiplas bases, incluindo PubMed, Embase, Cochrane Library, Web of Science e CINAHL, além de literatura cinzenta.

A qualidade metodológica dos estudos incluídos foi avaliada de forma independente por dois revisores, utilizando a ferramenta Prediction Model Risk of Bias Assessment Tool (PROBAST). A meta-análise foi conduzida com o software Metadisc, adotando como medidas de efeito a área sob a curva ROC, a sensibilidade e a especificidade. A heterogeneidade foi avaliada pelos testes de qui-quadrado e I2.

Foram incluídos 18 estudos na revisão narrativa, dos quais 14 foram elegíveis para a meta-análise. Os modelos alcançaram AUC agrupada de 0.94, sensibilidade de 0.79 (IC 95% [0.78-0.80]) e especificidade de 0.87 (IC 95% [0.88-0.87]). As meta-regressões não forneceram evidência de que o desempenho variasse conforme o tipo de dado ou o tipo de modelo utilizado.

Os achados indicam que os modelos de machine learning apresentam desempenho destacado na predição de lesão por pressão. Ainda assim, os autores concluem que estudos de boa qualidade devem ser conduzidos para verificar esses resultados e confirmar o valor clínico do machine learning no desenvolvimento de lesão por pressão.

## O que o estudo mostrou

Revisão sistemática com meta-análise que incluiu 18 estudos na revisão narrativa, sendo 14 elegíveis para meta-análise. A qualidade metodológica foi avaliada pelo PROBAST. Os modelos de machine learning alcançaram AUC agrupada de 0.94, sensibilidade de 0.79 (IC 95% [0.78-0.80]) e especificidade de 0.87 (IC 95% [0.88-0.87]). As meta-regressões não evidenciaram variação de desempenho por tipo de dado ou de modelo.

## Limitações

O resumo não detalha as limitações individuais dos estudos incluídos nem descreve a população ou os contextos de aplicação dos modelos. Os próprios autores afirmam que estudos de boa qualidade devem ser conduzidos para verificar os resultados e confirmar o valor clínico do machine learning na lesão por pressão. O resumo não informa dados sobre risco de viés encontrado na avaliação pelo PROBAST.

## Aplicação no consultório

Para o médico, os resultados sugerem que ferramentas baseadas em machine learning podem apoiar a identificação de pacientes com risco de lesão por pressão, mas ainda não substituem o julgamento clínico. Na gestão do consultório, a adoção de tais modelos deve aguardar confirmação do valor clínico em estudos de boa qualidade, considerando-se a necessidade de validação local antes de incorporá-los à rotina assistencial.

## Perguntas para aprofundar

- Como avaliar a qualidade metodológica de modelos de machine learning para predição de lesão por pressão?
- Qual o desempenho de modelos de machine learning comparado a escalas tradicionais de risco de lesão por pressão?
- O tipo de dado ou de modelo influencia o desempenho preditivo de lesão por pressão?

Tema: IA em dermatologia. Página: https://alphadoctor.com.br/ciencia/ia-dermatologia/modelos-de-machine-learning-sao-eficazes-para-prever-lesao-por-pressao-37340520/

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