Modelos de deep learning conseguem detectar embolia pulmonar em angiotomografia computadorizada com sensibilidade e especificidade adequadas?
Resposta curta: Em revisão sistemática com meta-análise de sete estudos retrospectivos e 36.847 exames de angiotomografia, a sensibilidade agrupada para detecção de embolia pulmonar por deep learning foi 0.88 e a especificidade 0.86. A maioria dos estudos tinha alto risco de viés, e os autores consideram os resultados preliminares, indicando necessidade de pesquisas futuras sobre o impacto clínico.
Resposta
A angiotomografia computadorizada de artérias pulmonares é o padrão de referência para o diagnóstico de embolia pulmonar, mas esse diagnóstico está sujeito a erro. Diante disso, os autores realizaram uma revisão sistemática da literatura sobre a aplicação de deep learning na detecção de embolia pulmonar nesse exame, buscando sintetizar a acurácia relatada até o momento.
A busca foi feita no MEDLINE/PUBMED por estudos que relatassem a acurácia de algoritmos de deep learning para embolia pulmonar em angiotomografia. O risco de viés foi avaliado com a ferramenta QUADAS-2, e foram calculadas sensibilidade e especificidade agrupadas, com curvas ROC sumárias. Sete estudos preencheram os critérios de inclusão, todos retrospectivos, totalizando 36.847 exames analisados.
Cinco estudos forneceram dados suficientes para as estimativas sumárias. A sensibilidade agrupada para detecção de embolia pulmonar foi 0.88 (IC 95% 0.803-0.927) e a especificidade agrupada foi 0.86 (IC 95% 0.756-0.924). A maioria dos estudos apresentou alto risco de viés, o que limita a interpretação desses resultados.
Os autores concluem que os modelos de deep learning podem detectar embolia pulmonar em angiotomografia com sensibilidade satisfatória e número aceitável de falsos positivos. Ressaltam, porém, que se trata de trabalhos retrospectivos preliminares e que são necessárias pesquisas futuras para determinar o impacto clínico da detecção automatizada no cuidado do paciente.
Como modelos de deep learning vêm sendo gradualmente implementados em sistemas hospitalares, compreender seus pontos fortes e limitações é relevante para quem atua na linha de frente diagnóstica. O resumo não informa dados sobre desfechos clínicos, apenas sobre acurácia diagnóstica em estudos retrospectivos.
O que o estudo mostrou
Revisão sistemática com meta-análise que incluiu sete estudos retrospectivos, todos avaliando acurácia de deep learning para embolia pulmonar em angiotomografia, com 36.847 exames analisados. Cinco estudos permitiram estimativas sumárias: sensibilidade agrupada de 0.88 (IC 95% 0.803-0.927) e especificidade agrupada de 0.86 (IC 95% 0.756-0.924). A maioria dos estudos teve alto risco de viés pelo QUADAS-2.
Limitações
Todos os estudos incluídos eram retrospectivos, e a maioria apresentou alto risco de viés. O resumo não informa características detalhadas das amostras nem dados de impacto clínico. Os achados são preliminares e não permitem concluir sobre benefício em desfechos de pacientes, sendo necessárias pesquisas futuras.
Aplicação no consultório
Os resultados apoiam cautela na incorporação de ferramentas automatizadas de detecção de embolia pulmonar: a acurácia relatada é promissora, mas baseada em estudos retrospectivos com alto risco de viés. Na prática e na gestão do consultório, isso significa tratar tais algoritmos como apoio e não substituto da avaliação clínica e radiológica, além de considerar a necessidade de validação local antes de adotá-los em fluxos assistenciais.
Estudo citado
Deep learning for pulmonary embolism detection on computed tomography pulmonary angiogram: a systematic review and meta-analysis. Scientific reports, 2021.
Autores: Soffer S, Klang E, Shimon O, Barash Y, Cahan N, Greenspana H, Konen E.
DOI: 10.1038/s41598-021-95249-3 · PubMed: PMID 34349191
Perguntas para aprofundar
- Qual é o risco de viés dos estudos que avaliam deep learning para embolia pulmonar em angiotomografia?
- A detecção automatizada de embolia pulmonar por deep learning melhora desfechos clínicos dos pacientes?
- Como implementar modelos de deep learning na rotina diagnóstica hospitalar com segurança?
Mais sobre Ética, viés e explicabilidade da IA em saúde
- Qual é a acurácia do aprendizado profundo no diagnóstico diferencial de estenose coronariana?
- Modelos de aprendizado profundo são precisos para detectar micro-hemorragias cerebrais em exames de ressonância magnética?
- Modelos de deep learning são tão precisos quanto especialistas humanos no diagnóstico clínico do câncer oral?
- Modelos de deep learning aplicados a radiografias panorâmicas são acurados para triagem de osteoporose?
- A inteligência artificial é precisa para detectar radiolucência periapical em radiografias?
Todas as perguntas sobre Ética, viés e explicabilidade da IA em saúde · Todos os temas · Versão em markdown