Modelos de machine learning conseguem prever desfechos respiratórios neonatais com desempenho confiável para uso clínico?
Resposta curta: A revisão sistemática identificou 16 estudos que desenvolveram ou validaram modelos de IA/ML para desfechos respiratórios neonatais, com boa discriminação na validação interna (vários modelos com AUC ≥0,85). Porém, a validação externa foi rara (2/16), a calibração foi pouco relatada e nenhum estudo previu desfechos pós-alta ou incluiu determinantes abrangentes de saúde.
Resposta
A revisão sistemática, conduzida segundo as diretrizes PRISMA e com lente do Life Course Health Development (LCHD), buscou sintetizar modelos de inteligência artificial e machine learning que predizem desfechos respiratórios neonatais. Os autores partiram do pressuposto de que esses desfechos permanecem importantes causas de morbidade, mortalidade e internação prolongada em UTI neonatal, o que justifica a busca por predição precoce acurada.
Os estudos incluídos abordaram displasia broncopulmonar (n = 8), síndrome do desconforto respiratório (n = 4), apneia da prematuridade (n = 3) e hemorragia pulmonar maciça (n = 1). A discriminação foi forte na validação interna, com vários modelos apresentando área sob a curva ROC ≥0,85. Entretanto, a validação externa foi rara (2/16) e o relato de calibração foi escasso.
Sob a lente do LCHD, os autores examinaram se os modelos incorporavam timing do desenvolvimento, processos cumulativos e fatores contextuais. Nenhum estudo previu desfechos respiratórios pós-alta hospitalar ou incluiu determinantes abrangentes de saúde, o que limita a compreensão do curso de vida respiratório para além da internação neonatal.
O risco de viés foi avaliado com a ferramenta PROBAST + AI, com extração independente por dois revisores e resolução de discordâncias por consenso. Apesar do desempenho promissor na validação interna, os achados indicam que a adoção clínica responsável exige validação externa em múltiplos centros, relato rotineiro de calibração e desenhos informados pela enfermagem que incorporem o contexto de desenvolvimento.
Para o médico que atua em neonatologia, o recado é de cautela: os modelos disponíveis ainda não estão prontos para substituir o julgamento clínico na estratificação de risco em UTI neonatal. A promessa existe, mas a evidência de transporte para outras populações e de calibração adequada ainda é limitada.
O que o estudo mostrou
Revisão sistemática guiada pelo PRISMA, com buscas em PubMed, Embase e Web of Science de janeiro de 2014 a julho de 2025. De 4319 registros identificados, 1780 registros únicos foram triados, 33 passaram por revisão de texto completo e 16 atenderam aos critérios. Os estudos abordaram displasia broncopulmonar (n = 8), síndrome do desconforto respiratório (n = 4), apneia da prematuridade (n = 3) e hemorragia pulmonar maciça (n = 1). A discriminação foi forte na validação interna, com vários modelos apresentando AUC ≥0,85; a validação externa ocorreu em 2/16 e a calibração foi pouco relatada. Nenhum estudo previu desfechos pós-alta ou incluiu determinantes abrangentes de saúde.
Limitações
A validação externa foi rara (2/16) e o relato de calibração foi escasso, o que limita a generalização dos desempenhos observados. Nenhum estudo previu desfechos respiratórios pós-alta hospitalar ou incluiu determinantes abrangentes de saúde, restringindo a aplicação da lente do curso de vida. O resumo não informa detalhes sobre tamanho de amostra dos estudos incluídos nem sobre a magnitude do risco de viés pelo PROBAST + AI.
Aplicação no consultório
Na prática em neonatologia, os modelos de ML ainda não devem ser usados como ferramenta isolada de estratificação de risco, dada a escassez de validação externa e de calibração. O consultório e a equipe de UTI neonatal podem se preparar para incorporar essas ferramentas apenas quando houver validação em múltiplos centros e relato de calibração. Do ponto de vista de gestão, vale investir em infraestrutura de dados e em desenhos que incluam a perspectiva da enfermagem e o contexto de desenvolvimento, além de planejar a predição de desfechos pós-alta, hoje ausente na literatura revisada.
Estudo citado
Predicting Neonatal Respiratory Outcomes Using Machine Learning: A Systematic Review Through a Life Course Lens. Advances in neonatal care : official journal of the National Association of Neonatal Nurses, 2026.
Autores: Northcote J, Olson S, Macieira TGR, Parker LA, Liu M, Pruinelli L.
DOI: 10.1097/ANC.0000000000001392 · PubMed: PMID 42441483
Perguntas para aprofundar
- Quais modelos de machine learning têm melhor desempenho para prever displasia broncopulmonar em prematuros?
- Como a calibração dos modelos de IA é relatada nos estudos de desfechos respiratórios neonatais?
- Que fatores contextuais e do curso de vida ainda faltam nos modelos preditivos de desfechos respiratórios neonatais?
Mais sobre IA em emergência e UTI
- A inteligência artificial é eficaz na predição de readmissão hospitalar em pacientes atendidos na emergência?
- A inteligência artificial já está pronta para prever desfechos clínicos e tempo de internação em UTI neonatal?
- Modelos de aprendizado de máquina são confiáveis para prever sepse na prática clínica?
- Modelos de inteligência artificial são melhores que escores tradicionais para prever desfechos pós-operatórios em cirurgia cardíaca congênita?
- Qual é o nível de maturidade e o risco de viés dos modelos de inteligência artificial em UTIs neonatal e pediátrica?
Todas as perguntas sobre IA em emergência e UTI · Todos os temas · Versão em markdown