# Modelos de aprendizado de máquina são confiáveis para prever ocorrência e desfechos de parada cardíaca?

> Sim, segundo esta revisão sistemática com meta-análise, modelos de aprendizado de máquina mostraram bom desempenho preditivo para parada cardíaca, com C-index agrupado de 0,90 para ocorrência, 0,86 para bom prognóstico neurológico, 0,85 para mortalidade e 0,77 para retorno da circulação espontânea. Os achados apoiam o desenvolvimento de ferramentas clínicas baseadas em inteligência artificial.

Estudo citado: Wei S, Guo X, He S, Zhang C, Chen Z, Chen J et al.. Application of Machine Learning for Patients With Cardiac Arrest: Systematic Review and Meta-Analysis. Journal of medical Internet research. 2025. DOI: https://doi.org/10.2196/67871. PubMed: https://pubmed.ncbi.nlm.nih.gov/40063076/

## Resposta

A revisão sistemática com meta-análise reuniu 93 estudos e 5.729.721 pacientes para avaliar o valor preditivo de modelos de aprendizado de máquina (ML) em parada cardíaca (CA). Os desfechos analisados incluíram ocorrência de CA, bom prognóstico neurológico (categoria de desempenho cerebral 1 a 2), mortalidade e retorno da circulação espontânea (ROSC).

Os resultados mostraram que, para prever a ocorrência de CA, o C-index agrupado foi de 0,90 (IC 95% 0,87-0,93) em conjuntos de validação desbalanceados e 0,88 (IC 95% 0,86-0,90) em balanceados, com sensibilidade e especificidade variando conforme o conjunto. Para bom prognóstico neurológico, o C-index foi 0,86 (IC 95% 0,85-0,87); para mortalidade, 0,85 (IC 95% 0,82-0,87); e para ROSC, 0,77 (IC 95% 0,74-0,80).

As variáveis de modelagem mais significativas para prever CA foram frequência respiratória, pressão arterial, idade e temperatura. Para prever bom prognóstico neurológico, no grupo de CA intra-hospitalar destacaram-se ritmo (chocável ou não chocável), idade, uso de medicamentos e sexo; no grupo extra-hospitalar, idade, ritmo, uso de medicamentos e ROSC.

Os autores concluem que o ML é uma abordagem promissora para prever a ocorrência e os desfechos da CA. Sugerem que pesquisas futuras podem tentar atualizar sistematicamente ferramentas de pontuação tradicionais com base no desempenho superior do ML em desfechos específicos, alcançando aprimoramentos impulsionados por inteligência artificial.

A aplicação clínica desses modelos ainda requer validação prospectiva e consideração de limitações, como a heterogeneidade dos estudos e o risco de viés. O resumo não detalha essas limitações, mas reforça a necessidade de evidências sistemáticas para subsidiar o desenvolvimento de ferramentas clínicas aplicáveis.

## O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu 93 estudos, abrangendo 5.729.721 pacientes intra e extra-hospitalares. Para predição de parada cardíaca, o C-index agrupado foi 0,90 (IC 95% 0,87-0,93) em validação desbalanceada e 0,88 (IC 95% 0,86-0,90) em balanceada. Para bom prognóstico neurológico, C-index 0,86 (IC 95% 0,85-0,87); para mortalidade, 0,85 (IC 95% 0,82-0,87); para ROSC, 0,77 (IC 95% 0,74-0,80). As variáveis mais importantes incluíram frequência respiratória, pressão arterial, idade e temperatura para ocorrência de CA.

## Limitações

O resumo não informa detalhes sobre as limitações do estudo, como heterogeneidade entre os modelos, risco de viés dos estudos primários ou falta de validação externa. Também não especifica a população exata ou os critérios de inclusão dos estudos. Portanto, os resultados devem ser interpretados com cautela até que mais evidências estejam disponíveis.

## Aplicação no consultório

Os achados sugerem que modelos de aprendizado de máquina podem auxiliar na estratificação de risco de parada cardíaca e na predição de desfechos, potencialmente apoiando decisões clínicas. No consultório, o médico pode considerar a incorporação futura dessas ferramentas para identificar pacientes de alto risco e otimizar condutas. No entanto, a implementação requer validação local e integração com sistemas de saúde, além de treinamento da equipe. A gestão do consultório pode se beneficiar de fluxos que utilizem tais modelos para priorizar atendimentos e recursos.

## Perguntas para aprofundar

- Quais variáveis clínicas são mais relevantes para modelos de aprendizado de máquina na predição de parada cardíaca?
- Como o desempenho de modelos de aprendizado de máquina se compara a escores tradicionais na predição de desfechos de parada cardíaca?
- Quais são as limitações metodológicas dos estudos que avaliam aprendizado de máquina em parada cardíaca?

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-ocorrencia-e/

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