# Modelos de aprendizado de máquina são confiáveis para prever complicações do diabetes tipo 2?

> A revisão sistemática identificou 87 modelos de aprendizado de máquina em 32 estudos; apenas 36% demonstraram discriminação claramente útil (AUC >0,75). Random forest teve o melhor desempenho geral, mas a maioria dos estudos apresentou alto risco de viés e os modelos permanecem exploratórios, exigindo validação externa antes do uso clínico.

Estudo citado: Tan KR, Seng JJB, Kwan YH, Chen YJ, Zainudin SB, Loh DHF et al.. Evaluation of Machine Learning Methods Developed for Prediction of Diabetes Complications: A Systematic Review. Journal of diabetes science and technology. 2023. DOI: https://doi.org/10.1177/19322968211056917. PubMed: https://pubmed.ncbi.nlm.nih.gov/34727783/

## Resposta

A revisão sistemática avaliou a qualidade e o desempenho de modelos de aprendizado de máquina desenvolvidos para prever complicações microvasculares e macrovasculares em adultos com diabetes tipo 2. Foram incluídos 32 estudos, totalizando 87 modelos, o que mostra um volume crescente de publicações nessa área, mas também uma grande heterogeneidade de abordagens.

As redes neurais foram os modelos mais utilizados, e idade, duração do diabetes e índice de massa corporal apareceram como preditores comuns entre os modelos. O desempenho foi medido pela área sob a curva ROC, considerando AUC >0,75 como discriminação claramente útil. Apenas 36% dos modelos atingiram esse patamar, indicando que a maioria ainda não demonstra desempenho discriminativo claramente útil.

Quando comparados a métodos não baseados em aprendizado de máquina, a maioria dos modelos reportou diferença relativa média de AUC positiva, e o random forest apresentou o melhor desempenho geral tanto para desfechos microvasculares quanto macrovasculares. Esse achado sugere vantagem comparativa, mas não garante superioridade clínica, pois a qualidade metodológica dos estudos foi limitada.

A maioria dos estudos apresentou alto risco de viés, o que compromete a confiança nos resultados reportados. Os autores concluem que os modelos atuais permanecem largamente exploratórios e que estudos de validação externa são necessários antes da implementação clínica. O protocolo da revisão foi registrado no Open Science Framework.

Para o médico, o recado é de cautela: os modelos ainda não estão prontos para substituir o julgamento clínico na predição de complicações do diabetes tipo 2. A incorporação na rotina exigiria validação em populações distintas e avaliação de risco de viés, além de considerar como esses instrumentos se integrariam ao fluxo do consultório.

## O que o estudo mostrou

Revisão sistemática conduzida em MEDLINE, Embase, Cochrane Library, Web of Science e DBLP, segundo a checklist PRISMA. De 13 606 artigos triados, 32 estudos com 87 modelos de aprendizado de máquina foram incluídos. Redes neurais foram os modelos mais frequentes (n = 15). Idade, duração do diabetes e índice de massa corporal foram preditores comuns. Apenas 36% dos modelos mostraram discriminação claramente útil (AUC >0,75); random forest teve o melhor desempenho geral; a maioria dos estudos (n = 31) apresentou alto risco de viés.

## Limitações

O resumo não informa detalhes sobre as populações incluídas, os critérios específicos de risco de viés nem a magnitude das diferenças de AUC. A maioria dos estudos teve alto risco de viés, e os modelos permanecem exploratórios, sem validação externa, o que limita a generalização e a aplicação clínica dos achados.

## Aplicação no consultório

Os achados não sustentam adotar modelos de aprendizado de máquina na rotina para prever complicações do diabetes tipo 2. Na gestão do consultório, a decisão de incorporar ferramentas preditivas deve aguardar validação externa e avaliação de risco de viés. Enquanto isso, o foco permanece na avaliação clínica estruturada e no acompanhamento longitudinal, sem substituir o julgamento médico por algoritmos ainda exploratórios.

## Perguntas para aprofundar

- Quais critérios de risco de viés foram usados para avaliar os modelos de aprendizado de máquina?
- Como o random forest se compara a outros modelos na predição de complicações microvasculares e macrovasculares?
- O que falta para que modelos de aprendizado de máquina possam ser implementados na prática clínica?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/modelos-de-aprendizado-de-maquina-sao-confiaveis-para-prever-complicacoes-do/

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