Ética, viés e explicabilidade da IA em saúde

Algoritmos de machine learning e deep learning são melhores que escores tradicionais para prever transformação hemorrágica após AVC isquêmico agudo?

Resposta

A transformação hemorrágica é uma complicação que agrava o prognóstico do AVC isquêmico agudo, e os sistemas de escore tradicionais têm acurácia preditiva limitada. Esta revisão sistemática reuniu a literatura recente sobre algoritmos de machine learning e deep learning aplicados a esse problema, comparando o desempenho desses modelos com o de modelos convencionais.

Foram incluídos 24 estudos, com algoritmos diversos. Os mais frequentes foram regressão logística, máquina de vetores de suporte e random forest. O gradient boosting mostrou o melhor desempenho, com mediana de AUC de 0,91, seguido por random forest (0,83), regressão logística (0,77) e máquina de vetores de suporte (0,76). Redes neurais tiveram mediana de AUC de 0,81, e redes neurais convolucionais, de 0,91.

De modo geral, as técnicas de machine learning superaram os modelos convencionais, especialmente quando integraram dados clínicos e de imagem. Isso sugere que a combinação de fontes de informação pode ser um caminho para melhorar a predição e apoiar a decisão clínica no manejo do AVC isquêmico agudo.

Os autores concluem que os modelos de machine learning e deep learning superam significativamente os sistemas de escore tradicionais na predição de transformação hemorrágica. Para avançar, apontam a necessidade de ampliar os dados, padronizar protocolos de imagem e aumentar a transparência dos modelos, de modo a consolidar esses resultados na prática.

O que o estudo mostrou

Revisão sistemática com busca em PubMed, Embase, Web of Science, Scopus e IEEE, que inicialmente identificou 1421 estudos e incluiu 24 após triagem. A qualidade foi avaliada com a ferramenta PROBAST e a síntese foi qualitativa devido à heterogeneidade dos desenhos. Os algoritmos mais comuns foram regressão logística, máquina de vetores de suporte e random forest. O gradient boosting teve melhor desempenho, com mediana de AUC de 0,91; random forest, 0,83; regressão logística, 0,77; máquina de vetores de suporte, 0,76; redes neurais, 0,81; e redes neurais convolucionais, 0,91. Modelos de machine learning superaram os convencionais, sobretudo os que integraram dados clínicos e de imagem.

Limitações

O resumo não informa as características das amostras dos estudos incluídos nem o tamanho total de pacientes. A síntese foi qualitativa, sem meta-análise, em razão da heterogeneidade dos desenhos. O risco de viés foi avaliado pelo PROBAST, mas o resumo não detalha os resultados dessa avaliação. Os autores apontam necessidade de ampliação dos dados, padronização dos protocolos de imagem e maior transparência dos modelos.

Aplicação no consultório

Para o médico que atende AVC isquêmico agudo, os achados indicam que modelos de machine learning e deep learning podem apoiar a estimativa de risco de transformação hemorrágica com desempenho superior ao dos escores tradicionais. Na gestão do consultório e de serviços, isso reforça o interesse em estruturar registros clínicos e de imagem de forma padronizada, condição necessária para alimentar esses modelos. A decisão de adotar uma ferramenta deve considerar a transparência do modelo e a validação no contexto local, pontos que o resumo não detalha.

Estudo citado

Machine learning and deep learning algorithms in stroke medicine: a systematic review of hemorrhagic transformation prediction models. Journal of neurology, 2024.
Autores: Issaiy M, Zarei D, Kolahi S, Liebeskind DS.
DOI: 10.1007/s00415-024-12810-6 · PubMed: PMID 39666168

Perguntas para aprofundar

• Quais algoritmos de machine learning têm melhor desempenho na predição de transformação hemorrágica após AVC isquêmico agudo?
• A integração de dados clínicos e de imagem melhora a predição de transformação hemorrágica em modelos de machine learning?
• Quais lacunas de pesquisa ainda precisam ser resolvidas para aplicar modelos de machine learning na prática do AVC?

Mais sobre Ética, viés e explicabilidade da IA em saúde

• Modelos de aprendizado de máquina são acurados para prever transformação hemorrágica no AVC isquêmico agudo?
• A inteligência artificial já pode ser usada na avaliação e tratamento de fraturas osteoporóticas e por fragilidade na prática clínica?
• Como a inteligência artificial explicável pode aumentar a confiança e a adoção de ferramentas de IA no diagnóstico por imagem?
• Como a inteligência artificial e o aprendizado de máquina estão sendo aplicados ao longo da cirurgia bariátrica, e o que a evidência atual permite concluir?
• A deep learning aplicada à TC sem contraste tem acurácia suficiente para detectar AVC isquêmico agudo em nível de paciente?

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