# Como o aprendizado profundo aplicado a dados de mHealth tem sido usado no diagnóstico, prognóstico, manejo e tratamento de doenças cardiovasculares, diabetes e câncer?

> Revisão sistemática de 20 estudos mostrou que o aprendizado profundo em mHealth é mais aplicado ao diabetes (45%), seguido de doenças cardiovasculares (35%) e câncer (20%). Redes convolucionais predominam em doenças cardiovasculares e câncer, e recorrentes em diabetes. O desempenho foi satisfatório, com acurácia >84% na maioria, superando o aprendizado de máquina clássico, mas a explicabilidade raramente foi detalhada.

Estudo citado: Triantafyllidis A, Kondylakis H, Katehakis D, Kouroubali A, Koumakis L, Marias K et al.. Deep Learning in mHealth for Cardiovascular Disease, Diabetes, and Cancer: Systematic Review. JMIR mHealth and uHealth. 2022. DOI: https://doi.org/10.2196/32344. PubMed: https://pubmed.ncbi.nlm.nih.gov/35377325/

## Resposta

O artigo revisa sistematicamente estudos que empregaram aprendizado profundo (DL) com dados capturados por dispositivos móveis (smartphones, smartwatches e outros wearables) para doenças crônicas maiores: doenças cardiovasculares (CVD), diabetes e câncer. A busca foi feita nas bases Scopus e PubMed, incluindo 20 estudos. A distribuição foi: 35% (7/20) para CVD, 45% (9/20) para diabetes e 20% (4/20) para câncer. O objetivo foi entender o progresso nessa área e os desfechos alcançados.

Os desfechos mais comuns variaram conforme a doença: nos estudos de CVD, o diagnóstico da condição do paciente; nos de diabetes, a predição dos níveis de glicose no sangue; e nos de câncer, a detecção precoce. As arquiteturas de DL mais utilizadas foram redes neurais convolucionais (CNN) nos estudos de CVD e câncer, e redes neurais recorrentes (RNN) nos de diabetes. O desempenho geral do DL foi considerado satisfatório, com acurácia superior a 84% na maioria dos estudos.

Quando comparado a abordagens clássicas de aprendizado de máquina, o DL apresentou melhor desempenho em quase todos os estudos que relataram essa comparação. No entanto, a maioria dos estudos não forneceu detalhes sobre a explicabilidade dos resultados do DL, o que limita a compreensão de como os modelos chegam às suas conclusões. A revisão conclui que o DL pode facilitar o diagnóstico, manejo e tratamento dessas doenças crônicas, mas são necessários estudos prospectivos para demonstrar o valor do DL em ferramentas e intervenções de mHealth na vida real.

Para o médico brasileiro, esses achados indicam que a aplicação de DL em mHealth é promissora, especialmente para monitoramento e diagnóstico precoce, mas ainda carece de validação prospectiva. A ausência de detalhes sobre explicabilidade é um ponto de atenção para a confiança clínica e a incorporação ética dessas ferramentas. O resumo não informa o número total de participantes, a idade exata ou o período dos estudos incluídos, nem as limitações metodológicas dos estudos primários.

## O que o estudo mostrou

Revisão sistemática de 20 estudos que usaram aprendizado profundo com dados de dispositivos móveis para doenças cardiovasculares, diabetes e câncer. A maioria dos estudos focou em diabetes (45%), seguida de doenças cardiovasculares (35%) e câncer (20%). Os desfechos principais foram diagnóstico da condição (CVD), predição de glicose (diabetes) e detecção precoce (câncer). Redes convolucionais predominaram em CVD e câncer, e recorrentes em diabetes. O desempenho foi satisfatório, com acurácia >84% na maioria, e superior ao aprendizado de máquina clássico nas comparações. A explicabilidade foi raramente detalhada.

## Limitações

O resumo não informa o número total de participantes, a idade dos envolvidos, o período dos estudos ou as limitações metodológicas dos estudos primários. A maioria dos estudos não forneceu detalhes sobre a explicabilidade dos resultados do aprendizado profundo, o que restringe a interpretação clínica. Além disso, a revisão não descreve estudos prospectivos de validação em cenários reais, apontando essa necessidade como conclusão.

## Aplicação no consultório

Os achados sugerem que ferramentas de mHealth baseadas em aprendizado profundo podem, no futuro, auxiliar no diagnóstico e monitoramento de doenças crônicas, como predição de glicose em diabetes e detecção precoce de câncer. No entanto, a falta de explicabilidade e a ausência de estudos prospectivos limitam a incorporação imediata na prática clínica. Para a gestão do consultório, é prudente aguardar validação em cenários reais antes de adotar tais tecnologias, mantendo o foco em evidências robustas e na segurança do paciente.

## Perguntas para aprofundar

- Quais são as principais limitações da explicabilidade em modelos de aprendizado profundo aplicados à saúde?
- Como o aprendizado profundo com dados de wearables pode auxiliar no monitoramento de pacientes com diabetes?
- Quais estudos prospectivos são necessários para validar ferramentas de mHealth baseadas em aprendizado profundo?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/como-o-aprendizado-profundo-aplicado-a-dados-de-mhealth-tem-sido-usado-no/

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