Ética, viés e explicabilidade da IA em saúde

Modelos de deep learning são tão precisos quanto especialistas humanos no diagnóstico clínico do câncer oral?

Resposta

A revisão sistemática comparativa de acurácia diagnóstica reuniu estudos que avaliaram modelos de deep learning aplicados a imagens fotográficas de lesões da mucosa oral, cancerosas ou não. A pergunta central foi se esses modelos igualam ou superam especialistas humanos e outros métodos diagnósticos usados na detecção clínica do câncer oral. A busca abrangeu bases como Medline, EMBASE, Scopus, Google Scholar e ClinicalTrials.gov até setembro de 2024, e o risco de viés foi avaliado com a ferramenta QUADAS-C.

Foram incluídos oito estudos, nenhum deles com baixo risco de viés. Três estudos compararam deep learning com especialistas humanos: a diferença de sensibilidade favoreceu o deep learning em 0,024 (IC 95%: -0,093, 0,206), enquanto a diferença de especificidade favoreceu os especialistas em -0,041 (IC 95%: -0,218, 0,038). Dois estudos compararam deep learning com estudantes de pós-graduação em medicina, com diferenças de sensibilidade e especificidade favoráveis ao deep learning de 0,108 (IC 95%: -0,038, 0,324) e 0,010 (IC 95%: -0,119, 0,111), respectivamente.

Os intervalos de confiança amplos e a ausência de estudos com baixo risco de viés levaram os autores a classificar ambas as comparações como de baixo nível de evidência. A conclusão principal é que os modelos de deep learning mostraram sensibilidade e especificidade comparáveis às dos especialistas humanos e superaram os pós-graduandos em sensibilidade. Ainda assim, os autores destacam a necessidade de ensaios clínicos prospectivos para avaliar o desempenho real desses modelos.

Para o médico, o achado sugere que o deep learning pode funcionar como apoio à triagem de lesões da mucosa oral, mas não substitui o julgamento clínico nem dispensa confirmação diagnóstica. A evidência disponível é de baixo nível e baseada em estudos com risco de viés, o que limita conclusões sobre uso rotineiro. O resumo não informa dados sobre custo, fluxo de trabalho ou impacto em desfechos clínicos, pontos relevantes antes de incorporar a ferramenta ao consultório.

O que o estudo mostrou

Revisão sistemática comparativa de acurácia diagnóstica com meta-análise bayesiana, incluindo oito estudos de pacientes com imagens fotográficas de lesões da mucosa oral, cancerosas ou não. Nenhum estudo tinha baixo risco de viés. Três estudos compararam deep learning com especialistas humanos, com diferença de sensibilidade de 0,024 (IC 95%: -0,093, 0,206) e de especificidade de -0,041 (IC 95%: -0,218, 0,038). Dois estudos compararam com pós-graduandos, com diferenças de 0,108 e 0,010. Ambas as comparações foram de baixo nível de evidência.

Limitações

Apenas oito estudos foram incluídos e nenhum apresentou baixo risco de viés, o que compromete a confiança nos achados. Os intervalos de confiança das diferenças de sensibilidade e especificidade são amplos, e os autores classificaram as comparações como de baixo nível de evidência. O resumo não informa características detalhadas da amostra, nem dados sobre desfechos clínicos ou desempenho em cenários reais.

Aplicação no consultório

O médico pode considerar o deep learning como ferramenta auxiliar na triagem de lesões da mucosa oral, sem substituir a avaliação clínica e a confirmação diagnóstica. Como a evidência é de baixo nível e baseada em estudos com risco de viés, a incorporação ao consultório deve ser cautelosa e acompanhada de validação local. O resumo não informa dados de custo, fluxo de trabalho ou impacto em desfechos, que precisam ser considerados na gestão antes de adotar a tecnologia.

Estudo citado

Diagnosis of Oral Cancer With Deep Learning. A Comparative Test Accuracy Systematic Review. Oral diseases, 2025.
Autores: Nieri M, Serni L, Clauser T, Paoletti C, Franchi L.
DOI: 10.1111/odi.15330 · PubMed: PMID 40163741

Perguntas para aprofundar

• Qual é o risco de viés dos estudos que comparam deep learning e especialistas no diagnóstico do câncer oral?
• Modelos de deep learning superam estudantes de pós-graduação na detecção de lesões orais?
• Quais ensaios clínicos prospectivos são necessários para validar o deep learning no câncer oral?

Mais sobre Ética, viés e explicabilidade da IA em saúde

• Modelos de aprendizado profundo são confiáveis para detectar hematoma subdural em exames de imagem?
• Algoritmos de deep learning têm acurácia comparável à de especialistas para detectar fraturas de punho em radiografias simples?
• Modelos de aprendizado profundo são precisos para detectar micro-hemorragias cerebrais em exames de ressonância magnética?
• Aprendizado profundo baseado em imagens é preciso para diagnosticar catarata e como se compara a especialistas humanos?
• A deep learning aplicada à TC sem contraste tem acurácia suficiente para detectar AVC isquêmico agudo em nível de paciente?

Todas as perguntas sobre Ética, viés e explicabilidade da IA em saúde · Todos os temas · Versão em markdown