# Algoritmos de machine learning são confiáveis para prever intubação em pacientes com pneumonia?

> Uma revisão sistemática com meta-análise de 34 estudos e 195.214 pacientes mostrou que os algoritmos de machine learning têm acurácia moderada para prever intubação em pneumonia, com AUROC agrupada de 0,79, sensibilidade de 0,74 e especificidade de 0,71. A heterogeneidade foi substancial e o risco de viés variável, limitando a aplicação clínica imediata.

Estudo citado: Abdoli E, Eini P, Farashi S, Farhadian M. Optimizing Intubation Prediction in Pneumonia Patients: A Systematic Review and Meta-Analysis of Machine Learning Algorithms. Pulmonary medicine. 2026. DOI: https://doi.org/10.1155/pm/6670267. PubMed: https://pubmed.ncbi.nlm.nih.gov/41848079/

## Resposta

A pneumonia, incluindo influenza, COVID-19 e pneumonia adquirida na comunidade, é uma carga global significativa, com progressão frequente para insuficiência respiratória que exige intubação. Identificar precocemente os pacientes com risco de intubação é essencial para melhorar desfechos e otimizar recursos de UTI. Ferramentas prognósticas existentes têm limitações, e o machine learning surge como alternativa promissora.

Esta revisão sistemática e meta-análise avaliou o desempenho de algoritmos de machine learning na predição de intubação endotraqueal em pacientes com pneumonia durante a internação. Foram incluídos 34 estudos, dos quais 26 entraram na meta-análise, totalizando 195.214 pacientes. A acurácia diagnóstica foi sumarizada por AUROC, sensibilidade e especificidade agrupadas, com análise de subgrupos e meta-regressão.

Os resultados mostraram AUROC agrupada de 0,79 (IC 95%: 0,75-0,82), sensibilidade de 0,74 (IC 95%: 0,61-0,84), especificidade de 0,71 (IC 95%: 0,50-0,86) e razão de chances diagnóstica (DOR) de 7 (IC 95%: 2-20), indicando acurácia moderada. A heterogeneidade foi substancial (I2 = 90,45% para sensibilidade e 94,58% para especificidade). O risco de viés foi menor no desenvolvimento (59%) e maior na aplicação (41% alto risco). O teste de Deeks não foi significativo (p = 0,252), mas o gráfico de funil sugere publicação seletiva de resultados positivos, possivelmente inflando a AUROC agrupada. A certeza da evidência foi moderada a baixa pelo GRADE, devido à heterogeneidade e imprecisão.

Os autores concluem que os algoritmos de machine learning demonstram acurácia modesta e altamente variável na predição de intubação em pacientes com pneumonia. A alta heterogeneidade e a variabilidade metodológica destacam a necessidade de padronização das abordagens de machine learning antes da adoção clínica. Portanto, os modelos atuais não estão prontos para uso rotineiro na prática clínica sem validação adicional e padronização.

## O que o estudo mostrou

Revisão sistemática com meta-análise de 34 estudos (26 na meta-análise) incluindo 195.214 pacientes com pneumonia. A AUROC agrupada foi 0,79 (IC 95%: 0,75-0,82), sensibilidade 0,74 (IC 95%: 0,61-0,84), especificidade 0,71 (IC 95%: 0,50-0,86) e DOR 7 (IC 95%: 2-20). Heterogeneidade substancial (I2 = 90,45% para sensibilidade e 94,58% para especificidade). Risco de viés mais baixo no desenvolvimento (59%) e mais alto na aplicação (41% alto risco). Teste de Deeks não significativo (p = 0,252), mas gráfico de funil sugere publicação seletiva. Certeza da evidência moderada a baixa pelo GRADE.

## Limitações

O resumo não informa detalhes sobre as características dos estudos incluídos, como populações específicas ou tipos de pneumonia. A alta heterogeneidade e a imprecisão reduzem a certeza da evidência. O risco de viés foi alto em 41% dos estudos na fase de aplicação. Há sugestão de viés de publicação que pode ter inflado a AUROC agrupada. O resumo não informa análise de subgrupos por tipo de pneumonia ou algoritmo.

## Aplicação no consultório

Os achados indicam que os modelos de machine learning para predição de intubação em pneumonia têm acurácia moderada e alta variabilidade, não sendo ainda confiáveis para decisões clínicas rotineiras. O médico deve manter julgamento clínico e usar ferramentas validadas localmente. Na gestão do consultório, investir em padronização e validação de modelos antes de incorporá-los é prudente. A alocação de recursos de UTI pode se beneficiar de modelos mais robustos, mas a heterogeneidade sugere cautela na implementação.

## Perguntas para aprofundar

- Qual o desempenho de modelos de machine learning na predição de intubação em pacientes com COVID-19?
- Como padronizar algoritmos de machine learning para uso clínico em pneumonia?
- Quais fatores levam à alta heterogeneidade nos estudos de machine learning em pneumonia?

Tema: IA em emergência e UTI. Página: https://alphadoctor.com.br/ciencia/ia-emergencia-uti/algoritmos-de-machine-learning-sao-confiaveis-para-prever-intubacao-em/

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