Modelos de inteligência artificial baseados em imagens na doença inflamatória intestinal têm alto risco de viés?
Resposta curta: Sim, uma revisão sistemática que avaliou modelos de aprendizado de máquina e profundo em DII encontrou alto risco de viés em todos os estudos, principalmente por amostra insuficiente, falta de relato de dados ausentes e ausência de validação externa, o que compromete a generalização e a aplicação clínica.
Resposta
A revisão sistemática teve como objetivo avaliar a qualidade metodológica e o risco de viés de estudos de predição em DII baseados em imagens que utilizaram aprendizado de máquina (ML) ou aprendizado profundo (DL). Foram incluídos quarenta estudos, a maioria desenvolvendo modelos diagnósticos, e a ferramenta PROBAST foi usada para a avaliação.
Todos os estudos apresentaram alto risco de viés. Nos estudos com ML, os domínios de participantes, preditores, desfecho e análise foram avaliados, com altas taxas de risco. Nos estudos com DL, os domínios de participantes, desfecho e análise também mostraram risco elevado. A maioria utilizou imagens de colonoscopia.
As principais razões para o alto risco de viés foram tamanho de amostra insuficiente, falta de relato de dados ausentes e ausência de coorte de validação externa. Esses fatores tornam os modelos menos prováveis de serem generalizáveis e adequados para implementação clínica.
Diante disso, médicos que consideram adotar ferramentas de IA baseadas em imagens na prática clínica devem interpretar os resultados com cautela, pois os modelos disponíveis podem não se aplicar à sua população. A revisão reforça a necessidade de estudos com melhor qualidade metodológica e validação externa antes da incorporação rotineira.
No contexto do consultório, a adoção de tecnologias de IA deve ser precedida de avaliação crítica da evidência, priorizando modelos com baixo risco de viés e validação em cenários reais. A gestão do consultório pode se beneficiar de uma postura criteriosa, evitando expectativas excessivas e investimentos em ferramentas sem respaldo metodológico robusto.
O que o estudo mostrou
Revisão sistemática que incluiu quarenta estudos, trinta e nove diagnósticos, sendo sete com ML e trinta e três com DL. Todos apresentaram alto risco de viés pelo PROBAST. Nos estudos com ML, os domínios participantes, preditores, desfecho e análise foram avaliados, com altas taxas de risco. Nos de DL, participantes, desfecho e análise também mostraram risco elevado. A maioria usou imagens de colonoscopia. As causas incluíram amostra insuficiente, falta de relato de dados ausentes e ausência de validação externa.
Limitações
O resumo não informa detalhes sobre a qualidade da evidência além do risco de viés, nem sobre heterogeneidade entre estudos ou possíveis fontes de viés de publicação. Também não são descritas as características específicas das populações incluídas ou os tipos exatos de imagens além da colonoscopia. Essas informações são limitadas no resumo.
Aplicação no consultório
A principal implicação é a necessidade de ceticismo em relação a modelos de IA baseados em imagens na DII, dado o alto risco de viés. Na prática clínica, isso significa não adotar tais ferramentas sem validação externa e evidência de boa qualidade. Para a gestão do consultório, é prudente evitar investimentos em tecnologias sem respaldo metodológico e priorizar a avaliação crítica da literatura antes de incorporar inovações.
Estudo citado
Artificial intelligence image-based prediction models in IBD exhibit high risk of bias: A systematic review. Computers in biology and medicine, 2024.
Autores: Liu X, Reigle J, Prasath VBS, Dhaliwal J.
DOI: 10.1016/j.compbiomed.2024.108093 · PubMed: PMID 38354499
Perguntas para aprofundar
- Como avaliar o risco de viés em modelos de IA para DII antes de aplicá-los na prática?
- Quais são as limitações metodológicas mais comuns em estudos de IA em gastroenterologia?
- O que é a ferramenta PROBAST e como ela pode ser usada na avaliação de modelos preditivos?
Mais sobre Ética, viés e explicabilidade da IA em saúde
- Modelos de inteligência artificial para previsão de crises epilépticas em tempo real com EEG já estão prontos para uso clínico?
- O aprendizado profundo aplicado à neuroimagem já permite localizar a zona epileptogênica na prática clínica?
- A inteligência artificial já pode apoiar o diagnóstico de depressão na prática clínica, e quais são os limites metodológicos e éticos?
- Qual é o valor do aprendizado de máquina e profundo no manejo de pacientes críticos?
- Qual é o desempenho diagnóstico dos métodos baseados em inteligência artificial para detecção de tuberculose?
Todas as perguntas sobre Ética, viés e explicabilidade da IA em saúde · Todos os temas · Versão em markdown