# Qual é a acurácia do aprendizado de máquina para diferenciar a doença de Kawasaki de outras doenças febris e prever lesões coronarianas?

> Uma revisão sistemática com meta-análise mostrou que modelos de aprendizado de máquina, baseados em dados clínicos comuns, alcançaram no conjunto de validação índice de concordância de 0,898, sensibilidade de 0,91 e especificidade de 0,86 para diferenciar a doença de Kawasaki de outras doenças febris. Para prever lesões coronarianas, o índice foi de 0,787.

Estudo citado: Zhu J, Yang F, Wang Y, Wang Z, Xiao Y, Wang L et al.. Accuracy of Machine Learning in Discriminating Kawasaki Disease and Other Febrile Illnesses: Systematic Review and Meta-Analysis. Journal of medical Internet research. 2024. DOI: https://doi.org/10.2196/57641. PubMed: https://pubmed.ncbi.nlm.nih.gov/39556821/

## Resposta

A doença de Kawasaki é uma vasculite pediátrica aguda que pode levar a aneurismas coronarianos e complicações cardiovasculares graves. Na prática clínica, diferenciá-la de outras doenças febris é um desafio significativo. Nesse contexto, métodos de aprendizado de máquina têm sido explorados para auxiliar no diagnóstico diferencial e na predição de lesões coronarianas.

Esta revisão sistemática e meta-análise avaliou a acurácia desses modelos. Foram incluídos 29 estudos, dos quais 20 utilizaram aprendizado de máquina para diferenciar a doença de Kawasaki de outras doenças febris, envolvendo 103.882 participantes, incluindo 12.541 com a doença. No conjunto de validação, o índice de concordância agrupado foi de 0,898, a sensibilidade de 0,91 e a especificidade de 0,86.

Para a predição precoce de lesões coronarianas, 9 estudos foram incluídos, com 6.503 pessoas com doença de Kawasaki, das quais 986 apresentaram lesões coronarianas. O índice de concordância agrupado no conjunto de validação foi de 0,787.

Os fatores diagnósticos e preditivos utilizados nos estudos foram derivados principalmente de dados clínicos comuns. Os modelos construídos com esses dados demonstraram eficácia promissora tanto na diferenciação da doença de Kawasaki quanto na predição de lesões coronarianas. Os autores sugerem que pesquisas futuras explorem métodos de aprendizado de máquina para identificar preditores mais eficientes e desenvolver ferramentas aplicáveis em maior escala.

O resumo não informa detalhes sobre a heterogeneidade entre os estudos, a qualidade metodológica individual ou a aplicabilidade dos modelos em diferentes populações. Portanto, os resultados devem ser interpretados com cautela, considerando as limitações inerentes aos dados disponíveis.

## O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu 29 estudos. Vinte estudos usaram aprendizado de máquina para diferenciar a doença de Kawasaki de outras doenças febris, com 103.882 participantes (12.541 com a doença). No conjunto de validação, o índice de concordância agrupado foi de 0,898 (IC 95% 0,874-0,922), sensibilidade de 0,91 (IC 95% 0,83-0,95) e especificidade de 0,86 (IC 95% 0,80-0,90). Nove estudos previram lesões coronarianas em 6.503 pessoas com a doença (986 com lesões), com índice de concordância de 0,787 (IC 95% 0,738-0,835).

## Limitações

O resumo não informa a heterogeneidade entre os estudos, o risco de viés individual (avaliado pelo PROBAST, mas sem resultados detalhados) ou a validação externa dos modelos. Também não são descritas as características das populações incluídas nem a padronização dos critérios diagnósticos. Essas lacunas limitam a generalização dos achados para a prática clínica.

## Aplicação no consultório

Os resultados sugerem que modelos de aprendizado de máquina baseados em dados clínicos comuns podem auxiliar o pediatra na diferenciação da doença de Kawasaki de outras doenças febris, com boa sensibilidade e especificidade. Na gestão do consultório, isso pode orientar a solicitação de exames complementares e a priorização de encaminhamentos. No entanto, a implementação requer validação local e integração com sistemas de prontuário eletrônico, além de treinamento da equipe para interpretar as saídas dos modelos.

## Perguntas para aprofundar

- Quais variáveis clínicas são mais utilizadas nos modelos de aprendizado de máquina para diferenciar a doença de Kawasaki de outras doenças febris?
- Como o aprendizado de máquina pode auxiliar na predição precoce de lesões coronarianas em crianças com doença de Kawasaki?
- Quais são as limitações metodológicas dos estudos que avaliam a acurácia do aprendizado de máquina na doença de Kawasaki?

Tema: IA em dermatologia. Página: https://alphadoctor.com.br/ciencia/ia-dermatologia/qual-e-a-acuracia-do-aprendizado-de-maquina-para-diferenciar-a-doenca-de/

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