# Modelos de aprendizado de máquina são úteis para prever exacerbações de asma em crianças?

> Sim, modelos de aprendizado de máquina mostram potencial para prever exacerbações de asma em crianças. A meta-análise encontrou AUC agrupada de 0,67 para admissão na emergência e 0,79 para hospitalização, indicando acurácia moderada a boa. No entanto, os autores destacam a necessidade de validação externa antes da implementação clínica.

Estudo citado: Votto M, De Silvestri A, Postiglione L, De Filippo M, Manti S, La Grutta S et al.. Predicting paediatric asthma exacerbations with machine learning: a systematic review with meta-analysis. European respiratory review : an official journal of the European Respiratory Society. 2024. DOI: https://doi.org/10.1183/16000617.0118-2024. PubMed: https://pubmed.ncbi.nlm.nih.gov/39537241/

## Resposta

A asma na infância representa uma carga significativa para os sistemas de saúde e para as famílias. Ferramentas tradicionais de avaliação de risco existem, mas a inteligência artificial pode aprimorar a predição de exacerbações. Esta revisão sistemática com meta-análise avaliou o desempenho de algoritmos de aprendizado de máquina na predição de risco de hospitalização e admissão na emergência por exacerbação aguda de asma em crianças.

Os autores realizaram uma revisão sistemática seguindo as diretrizes PRISMA e avaliaram o risco de viés e aplicabilidade dos estudos elegíveis com a ferramenta PROBAST. O protocolo foi registrado no International Prospective Register of Systematic Reviews. A meta-análise incluiu sete artigos, abrangendo um total de 17 modelos de predição baseados em aprendizado de máquina.

Os resultados mostraram uma área sob a curva (AUC) agrupada de 0,67 (IC 95% 0,61-0,73; I2=99%; p<0,0001 para heterogeneidade) para modelos que predizem admissão na emergência, indicando acurácia moderada. Notavelmente, modelos que predizem hospitalização infantil demonstraram AUC agrupada mais alta, de 0,79 (IC 95% 0,76-0,82; I2=95%; p<0,0001 para heterogeneidade), sugerindo bom poder discriminatório.

Os autores concluem que este é o estudo mais abrangente sobre algoritmos baseados em IA para predizer exacerbações de asma pediátrica até o momento. Embora os modelos mostrem promessa e os modelos de predição de hospitalização baseados em aprendizado de máquina demonstrem boa acurácia, validação externa adicional é necessária antes que possam ser implementados de forma confiável na prática clínica real.

Para o médico brasileiro, esses achados indicam que ferramentas de aprendizado de máquina podem, no futuro, auxiliar na estratificação de risco de crianças com asma, especialmente para prever hospitalização. Contudo, a heterogeneidade elevada e a necessidade de validação externa limitam a aplicação imediata. A incorporação desses modelos na rotina clínica ainda requer estudos adicionais.

## O que o estudo mostrou

Revisão sistemática com meta-análise que incluiu sete artigos e 17 modelos de predição baseados em aprendizado de máquina. A AUC agrupada para predição de admissão na emergência foi de 0,67 (IC 95% 0,61-0,73; I2=99%; p<0,0001 para heterogeneidade), indicando acurácia moderada. Para hospitalização infantil, a AUC agrupada foi de 0,79 (IC 95% 0,76-0,82; I2=95%; p<0,0001 para heterogeneidade), sugerindo bom poder discriminatório. O risco de viés foi avaliado pelo PROBAST.

## Limitações

O resumo não informa detalhes sobre as características dos estudos incluídos, como tamanho amostral ou população específica. A heterogeneidade foi elevada (I2=99% e 95%), o que pode limitar a generalização dos resultados. Os autores destacam a necessidade de validação externa antes da implementação clínica, indicando que os modelos ainda não estão prontos para uso rotineiro.

## Aplicação no consultório

Os achados sugerem que modelos de aprendizado de máquina podem auxiliar na identificação de crianças com maior risco de hospitalização por asma, potencialmente otimizando o manejo e a alocação de recursos. No entanto, a heterogeneidade e a falta de validação externa impedem a adoção imediata na prática clínica. O médico deve considerar essas ferramentas como promissoras, mas ainda experimentais, e manter a avaliação clínica tradicional. A gestão do consultório pode se beneficiar futuramente de sistemas de apoio à decisão, mas investimentos em tais tecnologias devem aguardar evidências mais robustas.

## Perguntas para aprofundar

- Qual é o desempenho de modelos de aprendizado de máquina na predição de exacerbações de asma em crianças?
- Quais são as limitações dos modelos de aprendizado de máquina para predizer exacerbações de asma pediátrica?
- Como a validação externa pode impactar a implementação clínica de modelos de IA para asma infantil?

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

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