# A inteligência artificial já pode ser usada na prática clínica para predizer, diagnosticar e tratar a doença renal crônica?

> A revisão sistemática identificou 68 estudos sobre modelos de aprendizado de máquina para doença renal crônica, com bom desempenho, mas heterogeneidade nas métricas e pouca validação clínica. Apenas 6 estudos foram realizados em contexto clínico. Generalização, interpretabilidade e equidade precisam ser abordadas antes da aplicação segura na rotina.

Estudo citado: Sanmarchi F, Fanconi C, Golinelli D, Gori D, Hernandez-Boussard T, Capodici A. Predict, diagnose, and treat chronic kidney disease with machine learning: a systematic literature review. Journal of nephrology. 2023. DOI: https://doi.org/10.1007/s40620-023-01573-4. PubMed: https://pubmed.ncbi.nlm.nih.gov/36786976/

## Resposta

A inteligência artificial (IA), incluindo técnicas de aprendizado de máquina, tem sido explorada para predizer, diagnosticar e tratar a doença renal crônica (DRC). Uma revisão sistemática da literatura avaliou como essas técnicas vêm sendo aplicadas e quais são as evidências disponíveis para melhorar o diagnóstico e o manejo de pacientes com DRC.

Os autores realizaram uma revisão rápida incluindo apenas estudos em inglês recuperados do PubMed, seguindo a abordagem PRISMA, com todas as etapas principais feitas em duplicata. Foram extraídas 16 variáveis, como objetivo principal, população estudada, fonte de dados, tamanho da amostra, tipo de problema (regressão ou classificação), preditores utilizados e métricas de desempenho.

De um total de 648 estudos inicialmente recuperados, 68 artigos atenderam aos critérios de inclusão. Os modelos, conforme relatado pelos autores, apresentaram bom desempenho, mas as métricas reportadas não foram homogêneas entre os artigos, impossibilitando comparação direta. O objetivo mais comum foi a predição de prognóstico, seguido pelo diagnóstico de DRC.

A generalização dos algoritmos e o teste em populações diversas raramente foram considerados. Além disso, a avaliação clínica e a validação dos modelos foram investigadas, mas apenas uma fração dos estudos incluídos, 6 de 68, foi realizada em contexto clínico. Isso indica que a maioria dos modelos ainda não foi testada na prática real.

Os autores concluem que o aprendizado de máquina é uma ferramenta promissora para predição de risco, diagnóstico e manejo terapêutico de pacientes com DRC. No entanto, trabalhos futuros são necessários para abordar a interpretabilidade, a generalização e a equidade dos modelos, a fim de garantir a aplicação segura dessas tecnologias na prática clínica de rotina.

## O que o estudo mostrou

Revisão sistemática rápida que incluiu 68 artigos recuperados do PubMed. Os modelos de aprendizado de máquina apresentaram bom desempenho, mas as métricas não foram homogêneas, impedindo comparação direta. O objetivo mais comum foi predição de prognóstico, seguido de diagnóstico de DRC. A generalização e o teste em populações diversas raramente foram considerados. Apenas 6 dos 68 estudos foram realizados em contexto clínico.

## Limitações

O resumo não informa as limitações específicas dos estudos incluídos. A revisão foi classificada como 'rapid review' por incluir apenas uma base de dados (PubMed) e ter restrições de idioma (apenas inglês). Os autores consideram improvável que isso tenha levado à perda de artigos relevantes, mas essa é uma limitação metodológica. Além disso, a heterogeneidade das métricas impossibilitou comparação direta entre os modelos.

## Aplicação no consultório

Os achados indicam que, no momento, os modelos de aprendizado de máquina para DRC não estão prontos para uso rotineiro no consultório, dada a falta de validação clínica e de generalização. O médico deve interpretar com cautela ferramentas comerciais que prometem predição ou diagnóstico sem evidências em populações diversas. Para a gestão do consultório, é prudente aguardar estudos de validação em contexto clínico antes de incorporar tais tecnologias na prática diária.

## Perguntas para aprofundar

- Quais são os principais desafios para a implementação clínica de modelos de aprendizado de máquina na nefrologia?
- Como a interpretabilidade dos modelos de IA pode influenciar a confiança do médico na tomada de decisão?
- O que é necessário para validar um algoritmo de IA para diagnóstico de doença renal crônica em diferentes populações?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/a-inteligencia-artificial-ja-pode-ser-usada-na-pratica-clinica-para-predizer/

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