Modelos de machine learning para diagnóstico e prognóstico de infecção em cuidados pós-agudos já superam os modelos tradicionais?
Resposta curta: A revisão sistemática identificou estudos, a maioria sobre infecções respiratórias em casas de repouso, usando principalmente modelos de regressão com dados estruturados de prontuário eletrônico. Apesar do avanço para algoritmos mais complexos e dados multimodais desde 2020, não há evidência suficiente de que esses modelos superem os tradicionais em desempenho.
Resposta
A revisão sistemática buscou mapear os modelos baseados em machine learning voltados ao diagnóstico precoce e à predição prognóstica de infecções em contextos de cuidados pós-agudos, além de identificar os principais preditores de risco e examinar a qualidade e as limitações desses modelos. A busca abrangeu bases como PubMed, Web of Science, Scopus, IEEE Xplore, CINAHL e ACM digital library, com extração de dados orientada pelo checklist CHARMS e avaliação de qualidade pelo instrumento PROBAST.
Os estudos incluídos concentraram-se sobretudo em infecções respiratórias e em casas de repouso. A maioria utilizou modelos de regressão com dados estruturados de prontuário eletrônico. A partir de 2020, observou-se uma transição em direção a algoritmos avançados de machine learning e a dados multimodais, com biossensores e notas clínicas figurando como fontes relevantes de dados não estruturados.
Apesar desse avanço metodológico, a revisão conclui que não há evidência suficiente para sustentar ganhos de desempenho em relação aos modelos tradicionais. Os preditores de risco em nível individual mais utilizados incluíram comprometimento cognitivo, declínio funcional e taquicardia, enquanto preditores contextuais foram pouco explorados, o que limita a equidade dos modelos.
As principais fontes de viés identificadas foram a ausência de validação externa, a calibração inadequada dos modelos e a consideração insuficiente da complexidade dos dados. Os autores recomendam que pesquisas futuras adotem uma perspectiva socioecológica tanto na seleção de preditores quanto na construção dos modelos, explorando modalidades de dados e usos ideais de machine learning nesse contexto, com metodologias rigorosas e atenção à equidade.
O que o estudo mostrou
Revisão sistemática cujos estudos incluídos trataram majoritariamente de infecções respiratórias em casas de repouso e se basearam em modelos de regressão com dados estruturados de prontuário eletrônico. Desde 2020, houve mudança para algoritmos avançados e dados multimodais, com biossensores e notas clínicas como fontes de dados não estruturados. Não houve evidência suficiente de superioridade sobre modelos tradicionais. Preditores individuais como comprometimento cognitivo, declínio funcional e taquicardia foram comuns; preditores contextuais, pouco usados.
Limitações
O resumo não informa o tamanho amostral dos estudos primários nem detalhes sobre os cenários específicos de cuidados pós-agudos. As principais fontes de viés relatadas foram falta de validação externa, calibração inadequada e consideração insuficiente da complexidade dos dados, o que restringe a generalização e a confiança nos modelos avaliados.
Aplicação no consultório
Para o médico que atende em contextos de cuidados pós-agudos, os modelos disponíveis ainda não devem ser tratados como superiores aos instrumentos tradicionais de avaliação de risco infeccioso. A inclusão de preditores contextuais e a exigência de validação externa e calibração adequada são critérios a considerar antes de adotar qualquer ferramenta de apoio à decisão. Na gestão do consultório, isso orienta cautela na incorporação de tecnologias preditivas e priorização de dados de prontuário bem estruturados.
Estudo citado
Machine learning-based infection diagnostic and prognostic models in post-acute care settings: a systematic review. Journal of the American Medical Informatics Association : JAMIA, 2025.
Autores: Xu Z, Scharp D, Hobensack M, Ye J, Zou J, Ding S, Shang J, Topaz M.
DOI: 10.1093/jamia/ocae278 · PubMed: PMID 39530740
Perguntas para aprofundar
- Quais preditores contextuais deveriam ser incorporados aos modelos de infecção em cuidados pós-agudos?
- Como a ausência de validação externa afeta a confiança em modelos de machine learning na prática clínica?
- Que modalidades de dados não estruturados são mais promissoras para predição de infecção em casas de repouso?
Mais sobre Escriba ambiental e documentação clínica com IA
- Como o processamento de linguagem natural pode ser usado para analisar dados não estruturados de desfechos relatados por pacientes oncológicos em prontuários eletrônicos?
- Modelos prognósticos de mortalidade intra-hospitalar em UTI baseados em representações neurais de texto não estruturado são confiáveis para aplicação clínica?
- Como a inteligência artificial e o aprendizado de máquina podem ser aplicados na prática clínica cardiovascular?
- Quais abordagens existem para identificar seções em narrativas clínicas de prontuários eletrônicos e o que a revisão sistemática mostra sobre seu desempenho?
- A inteligência artificial já pode automatizar a codificação ICD de forma confiável na prática clínica?
Todas as perguntas sobre Escriba ambiental e documentação clínica com IA · Todos os temas · Versão em markdown