Ética, viés e explicabilidade da IA em saúde

A inteligência artificial aplicada à RM já é confiável para detectar displasia cortical focal na prática clínica?

Resposta

A displasia cortical focal é uma causa frequente de epilepsia farmacorresistente e pode ser difícil de identificar apenas com a RM. Este estudo revisou e analisou trabalhos que usaram aprendizado de máquina e redes neurais artificiais como ferramenta adicional para aprimorar os achados de RM em pacientes com displasia cortical focal.

A busca sistemática foi feita em quatro bases de dados, com avaliação de qualidade pelo instrumento QUADAS-AI e análise por modelo bivariado de efeitos aleatórios. O desfecho principal foi sensibilidade e especificidade por paciente, e a heterogeneidade foi avaliada pelo I2. Foram incluídos 41 estudos, sendo 24 baseados em redes neurais artificiais e 17 em aprendizado de máquina.

Na meta-análise dos conjuntos de validação interna, a sensibilidade agrupada foi de 0,81 e a especificidade de 0,92 para detecção de lesões de displasia cortical focal. Já nos conjuntos de validação externa, a sensibilidade agrupada foi de 0,73 e a especificidade de 0,66, com heterogeneidade moderada entre estudos e sem viés de publicação significativo.

Os autores concluem que, embora cresça o número de modelos baseados em aprendizado de máquina e redes neurais artificiais para detecção de displasia cortical focal, a aplicabilidade clínica permanece limitada. Apontam a necessidade de refinamento e otimização dos modelos, além de estudos longitudinais, para que possam ser integrados à prática clínica.

Para o médico, o achado central é a diferença entre validação interna e externa: o desempenho cai quando os modelos são testados fora do contexto de desenvolvimento. Isso reforça que, no momento, essas ferramentas devem ser vistas como apoio em pesquisa e não como substitutas da avaliação de imagem e do julgamento clínico.

O que o estudo mostrou

Revisão sistemática com meta-análise que incluiu 41 estudos, sendo 24 baseados em redes neurais artificiais e 17 em aprendizado de máquina. A qualidade foi avaliada pelo QUADAS-AI e a análise usou modelo bivariado de efeitos aleatórios. Na validação interna, a sensibilidade agrupada foi de 0,81 e a especificidade de 0,92. Na validação externa, a sensibilidade foi de 0,73 e a especificidade de 0,66, com heterogeneidade moderada e sem viés de publicação significativo.

Limitações

O resumo não informa o tamanho amostral dos estudos incluídos nem detalhes sobre os pacientes. A heterogeneidade foi moderada nos dados de validação externa, e os próprios autores consideram a aplicabilidade clínica ainda limitada, apontando necessidade de refinamento, otimização e estudos longitudinais. O resumo não descreve protocolos de imagem nem critérios de referência usados.

Aplicação no consultório

Os resultados sugerem cautela ao incorporar ferramentas de inteligência artificial para leitura de RM na rotina do consultório. O desempenho em validação externa foi inferior ao da validação interna, o que deve orientar decisões de compra ou adoção de softwares: convém verificar se o modelo foi validado em população semelhante à sua e tratar o resultado como apoio, não como diagnóstico isolado. Para o fluxo de pacientes com epilepsia farmacorresistente, a ferramenta pode ser discutida como complemento à avaliação especializada, com expectativa realista de desempenho.

Estudo citado

Focal cortical dysplasia detection by artificial intelligence using MRI: A systematic review and meta-analysis. Epilepsy & behavior : E&B, 2025.
Autores: Dashtkoohi M, Ghadimi DJ, Moodi F, Behrang N, Khormali E, Salari HM, Cohen NT, Gholipour T, Saligheh Rad H.
DOI: 10.1016/j.yebeh.2025.110403 · PubMed: PMID 40158413

Perguntas para aprofundar

• Como interpretar a queda de desempenho dos modelos de inteligência artificial entre validação interna e externa na detecção de displasia cortical focal?
• Quais critérios de qualidade devem ser exigidos de um software de apoio à RM antes de adotá-lo no consultório?
• O que falta na literatura para que modelos de aprendizado de máquina sejam integrados à investigação de epilepsia farmacorresistente?

Mais sobre Ética, viés e explicabilidade da IA em saúde

• O aprendizado profundo aplicado à neuroimagem já permite localizar a zona epileptogênica na prática clínica?
• A inteligência artificial já pode apoiar o diagnóstico de depressão na prática clínica, e quais são os limites metodológicos e éticos?
• Modelos de inteligência artificial baseados em biomarcadores não invasivos são acurados para diagnosticar periodontite?
• Como o aprendizado de máquina e o aprendizado profundo se comparam aos radiologistas na diferenciação entre glioblastomas e linfomas primários do sistema nervoso central à ressonância magnética?
• Qual é a acurácia dos modelos de inteligência artificial na predição de periodontite, segundo a evidência disponível?

Todas as perguntas sobre Ética, viés e explicabilidade da IA em saúde · Todos os temas · Versão em markdown