IA em emergência e UTI

O aprendizado de máquina já pode substituir o médico na estratificação de risco da dor torácica indiferenciada no pronto-socorro?

Resposta

A dor torácica é uma das principais causas de atendimento no pronto-socorro, e o diagnóstico rápido de causas potencialmente fatais, como o infarto agudo do miocárdio, é um desafio. Ferramentas clínicas de estratificação de risco já existem, mas o aprendizado de máquina surge como alternativa promissora para auxiliar nessa tarefa. A revisão sistemática avaliou como essa tecnologia tem sido aplicada em adultos com dor torácica indiferenciada no pronto-socorro e se os modelos superam médicos ou escores tradicionais.

Foram incluídos 23 artigos, a maioria retrospectiva e unicêntrica. Os desfechos mais avaliados foram diagnóstico de infarto agudo do miocárdio (12 estudos) e prognóstico de eventos cardiovasculares adversos maiores (6 estudos). As técnicas mais usadas foram redes neurais artificiais, random forest, máquina de vetores de suporte e gradient boosting. Vários estudos alcançaram alta acurácia diagnóstica e prognóstica, e os modelos de aprendizado de máquina superaram escores de risco existentes em todos os casos e os médicos em três de quatro comparações.

Apesar dos resultados favoráveis, a qualidade metodológica é uma preocupação. Apenas três estudos foram considerados com baixo risco de viés e baixa preocupação de aplicabilidade. A maioria não tinha validação prospectiva ou externa, e somente dois relataram integração do modelo na prática clínica. A heterogeneidade entre os estudos impediu metanálise. Assim, os achados são promissores, mas não permitem afirmar que o aprendizado de máquina está pronto para substituir a avaliação clínica habitual.

Para o médico brasileiro, a mensagem é de cautela e acompanhamento da literatura. O aprendizado de máquina pode, no futuro, apoiar a decisão clínica no pronto-socorro, mas os estudos atuais não fornecem evidências suficientes para incorporação rotineira. É fundamental que novas pesquisas sigam diretrizes padronizadas de relato, registrem protocolos e compartilhem dados e códigos, além de avaliar o impacto na tomada de decisão e em desfechos centrados no paciente.

O que o estudo mostrou

Revisão sistemática de 23 artigos que aplicaram aprendizado de máquina em adultos com dor torácica indiferenciada no pronto-socorro. A maioria era retrospectiva e unicêntrica. Os desfechos mais comuns foram diagnóstico de infarto agudo do miocárdio (12 estudos) e prognóstico de eventos cardiovasculares adversos maiores (6 estudos). As técnicas mais usadas foram redes neurais artificiais (14 estudos), random forest (6), máquina de vetores de suporte (5) e gradient boosting (2). Múltiplos estudos alcançaram alta acurácia. Os modelos superaram escores de risco existentes em todos os casos e médicos em três de quatro casos. Apenas três estudos tinham baixo risco de viés e baixa preocupação de aplicabilidade.

Limitações

A maioria dos estudos era unicêntrica, retrospectiva e sem validação prospectiva ou externa. Apenas três estudos foram considerados de baixo risco de viés e baixa preocupação de aplicabilidade. Houve alta heterogeneidade metodológica, impedindo metanálise. Somente dois estudos relataram integração do modelo na prática clínica. O resumo não informa detalhes sobre tamanho amostral ou características específicas das populações estudadas.

Aplicação no consultório

Os achados ainda não justificam incorporar modelos de aprendizado de máquina na rotina do pronto-socorro. O médico deve continuar usando escores validados e julgamento clínico. Para gestores, investimentos em ferramentas de aprendizado de máquina devem aguardar estudos com validação externa e avaliação de impacto clínico. A revisão reforça a necessidade de treinamento crítico para interpretar estudos de inteligência artificial e de políticas de governança de dados antes de adotar essas tecnologias.

Estudo citado

Applications of machine learning to undifferentiated chest pain in the emergency department: A systematic review. PloS one, 2021.
Autores: Stewart J, Lu J, Goudie A, Bennamoun M, Sprivulis P, Sanfillipo F, Dwivedi G.
DOI: 10.1371/journal.pone.0252612 · PubMed: PMID 34428208

Perguntas para aprofundar

• Quais são os principais vieses nos estudos de aprendizado de máquina para dor torácica no pronto-socorro?
• Como o aprendizado de máquina pode ser integrado aos escores de risco tradicionais na prática clínica?
• Quais desfechos centrados no paciente devem ser avaliados em futuros estudos de aprendizado de máquina na emergência?

Mais sobre IA em emergência e UTI

• A meta-análise federada do HEART score produz estimativas de desempenho comparáveis às da análise centralizada de dados de pacientes?
• O aprendizado de máquina é confiável para prever mortalidade hospitalar a partir de sinais vitais na emergência?
• Modelos de aprendizado de máquina são confiáveis para prever sepse na prática clínica?
• 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?

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