IA em emergência e UTI

O aprendizado de máquina é confiável para prever mortalidade hospitalar a partir de sinais vitais na emergência?

Resposta

A revisão sistemática avaliou o desempenho e a viabilidade clínica de algoritmos de aprendizado de máquina para predição de mortalidade hospitalar em pacientes clínicos admitidos na emergência, utilizando sinais vitais. Foram incluídos quinze artigos publicados entre 2010 e 2021, extraídos de Medline, Scopus e Embase. Oito modelos diferentes foram aplicados, incluindo regressão logística, árvore de decisão, K-vizinhos mais próximos, máquina de vetores de suporte, gradient boosting, random forest, redes neurais artificiais e redes neurais profundas.

Os resultados mostraram que a maioria dos estudos não relatou etapas essenciais da análise principal, como pré-processamento de dados e tratamento de valores ausentes. Além disso, quatorze estudos apresentaram alto risco de viés na parte de análise estatística, o que pode levar a desempenho insatisfatório na prática. Embora todos os estudos visassem desenvolver um modelo preditivo para mortalidade, nove não forneceram um horizonte temporal para a predição.

A revisão concluiu que, apesar do interesse crescente, há lacunas importantes na qualidade metodológica dos estudos. Os autores forneceram oito recomendações para pesquisas futuras, com o objetivo de tornar o uso de aprendizado de máquina mais viável na prática clínica. Espera-se que, seguindo essas recomendações, modelos mais robustos possam auxiliar os clínicos a identificar a deterioração do paciente mais precocemente.

Para o médico brasileiro, os achados indicam que os modelos de aprendizado de máquina para predição de mortalidade na emergência ainda não estão prontos para uso clínico rotineiro, devido às limitações metodológicas. A aplicação no consultório e na gestão hospitalar deve ser cautelosa, priorizando a validação externa e a transparência dos modelos antes de incorporá-los à prática.

A revisão reforça a necessidade de padronização nos relatos de estudos de predição e de maior rigor estatístico. Profissionais de saúde e gestores devem estar atentos à qualidade das evidências ao considerar a implementação de ferramentas de inteligência artificial na emergência.

O que o estudo mostrou

Revisão sistemática que incluiu quinze artigos publicados entre 2010 e 2021, descrevendo modelos de aprendizado de máquina baseados em sinais vitais para predizer mortalidade hospitalar em pacientes admitidos na emergência. Oito modelos diferentes foram aplicados. A maioria dos estudos não relatou etapas essenciais de pré-processamento e tratamento de dados ausentes. Quatorze estudos tinham alto risco de viés na análise estatística, e nove não forneceram horizonte temporal para a predição.

Limitações

O resumo não informa o número total de pacientes incluídos, nem detalhes sobre as populações específicas de cada estudo. A revisão não apresenta dados quantitativos de desempenho dos modelos, como acurácia ou área sob a curva. Além disso, a heterogeneidade metodológica e o alto risco de viés limitam conclusões sobre a real utilidade clínica das ferramentas.

Aplicação no consultório

Os achados sugerem que modelos de aprendizado de máquina para predição de mortalidade na emergência ainda não devem ser adotados rotineiramente na prática clínica ou na gestão do consultório, devido às limitações metodológicas. Gestores devem priorizar a avaliação crítica da qualidade dos modelos antes de investir em ferramentas de inteligência artificial. A revisão destaca a necessidade de seguir recomendações para pesquisas futuras, o que pode orientar a seleção de tecnologias mais confiáveis.

Estudo citado

Machine learning techniques for mortality prediction in emergency departments: a systematic review. BMJ open, 2021.
Autores: Naemi A, Schmidt T, Mansourvar M, Naghavi-Behzad M, Ebrahimi A, Wiil UK.
DOI: 10.1136/bmjopen-2021-052663 · PubMed: PMID 34728454

Perguntas para aprofundar

• Quais são as principais lacunas metodológicas nos estudos de aprendizado de máquina para predição de mortalidade na emergência?
• Como o alto risco de viés na análise estatística pode afetar o desempenho clínico dos modelos preditivos?
• Quais recomendações os autores propõem para tornar os modelos de aprendizado de máquina mais viáveis na prática?

Mais sobre IA em emergência e UTI

• Modelos de aprendizado de máquina podem prever internação hospitalar já na triagem de emergências pediátricas?
• Modelos de machine learning são úteis para prever desfechos clínicos na triagem de emergência?
• Modelos de IA para predição de sepse em adultos hospitalizados têm desempenho confiável para uso clínico rotineiro?
• Modelos de aprendizado de máquina são confiáveis para prever sepse na prática clínica?
• Modelos de aprendizado de máquina têm bom desempenho diagnóstico para sepse neonatal?

Todas as perguntas sobre IA em emergência e UTI · Todos os temas · Versão em markdown