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

> A revisão sistemática mostra que modelos de aprendizado de máquina superaram escores de risco tradicionais e, em três de quatro casos, os médicos, no diagnóstico de infarto e predição de eventos adversos. Porém, poucos estudos tinham baixo risco de viés e raramente os modelos foram integrados à prática clínica, impedindo conclusões definitivas sobre substituição.

Estudo citado: Stewart J, Lu J, Goudie A, Bennamoun M, Sprivulis P, Sanfillipo F et al.. Applications of machine learning to undifferentiated chest pain in the emergency department: A systematic review. PloS one. 2021. DOI: https://doi.org/10.1371/journal.pone.0252612. PubMed: https://pubmed.ncbi.nlm.nih.gov/34428208/

## 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.

## 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?

Tema: IA em emergência e UTI. Página: https://alphadoctor.com.br/ciencia/ia-emergencia-uti/o-aprendizado-de-maquina-ja-pode-substituir-o-medico-na-estratificacao-de-risco/

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