# Modelos de inteligência artificial para desfechos de tempo até o evento são superiores aos modelos tradicionais na predição de risco cardiovascular?

> Uma revisão sistemática de 33 estudos indica que modelos de aprendizado profundo para sobrevivência, como o DeepSurv, apresentam melhor capacidade preditiva de desfechos cardiovasculares em comparação aos modelos de aprendizado de máquina. Random Survival Forest e DeepSurv são atualmente os modelos ideais, segundo a evidência. A explicabilidade e a estratificação por gênero ainda são pouco exploradas.

Estudo citado: Teshale AB, Htun HL, Vered M, Owen AJ, Freak-Poli R. A Systematic Review of Artificial Intelligence Models for Time-to-Event Outcome Applied in Cardiovascular Disease Risk Prediction. Journal of medical systems. 2024. DOI: https://doi.org/10.1007/s10916-024-02087-7. PubMed: https://pubmed.ncbi.nlm.nih.gov/39028429/

## Resposta

A revisão sistemática incluiu 33 estudos que utilizaram modelos de aprendizado de máquina e aprendizado profundo para desfechos de sobrevivência na predição de doenças cardiovasculares. Cerca de metade dos estudos foi publicada em 2023, com a maioria proveniente dos Estados Unidos. Os modelos de aprendizado de máquina mais empregados foram Random Survival Forest, modelos de Survival Gradient Boosting e modelos de Cox penalizados. Entre os modelos de aprendizado profundo, o DeepSurv foi o mais frequente.

Os achados indicam que os modelos de aprendizado profundo foram melhores na predição de desfechos cardiovasculares do que os modelos de aprendizado de máquina. Os métodos de explicabilidade mais utilizados foram a importância de variáveis baseada em permutação e os valores de Shapley. Apenas um em cada cinco estudos realizou análise de estratificação por gênero, e poucos incorporaram uma ampla gama de determinantes sociais da saúde em seus modelos preditivos.

A conclusão dos autores é que a evidência atual aponta o Random Survival Forest e o DeepSurv como os modelos ótimos para predizer desfechos cardiovasculares. Além disso, destaca-se a melhor capacidade preditiva dos modelos de sobrevivência de aprendizado profundo em relação aos de aprendizado de máquina. Pesquisas futuras devem garantir a interpretação adequada dos modelos de inteligência artificial, considerando os determinantes sociais da saúde e a estratificação por gênero, dado que o gênero desempenha um papel significativo na ocorrência de doenças cardiovasculares.

Para o médico brasileiro, esses resultados sugerem que, ao avaliar ou implementar ferramentas de predição de risco cardiovascular baseadas em inteligência artificial, é importante considerar o tipo de modelo utilizado. Modelos de aprendizado profundo para sobrevivência, como o DeepSurv, podem oferecer melhor desempenho preditivo. No entanto, a explicabilidade desses modelos e a inclusão de determinantes sociais da saúde e de análises estratificadas por gênero ainda são limitadas, o que pode impactar a aplicabilidade clínica e a equidade das predições.

A revisão não fornece detalhes sobre a amostra ou as características dos estudos incluídos, nem sobre limitações específicas de cada um. Portanto, a interpretação dos resultados deve considerar que se trata de uma síntese de estudos com diferentes desenhos e populações. A aplicação na prática clínica requer cautela, especialmente em contextos com diversidade social e de gênero, como o brasileiro, onde a incorporação de determinantes sociais e a estratificação por gênero são particularmente relevantes.

## O que o estudo mostrou

Revisão sistemática que incluiu 33 estudos que utilizaram modelos de aprendizado de máquina e aprendizado profundo para desfechos de sobrevivência na predição de doenças cardiovasculares. Cerca de metade dos estudos foi publicada em 2023, com a maioria dos Estados Unidos. Os modelos de aprendizado de máquina mais empregados foram Random Survival Forest, Survival Gradient Boosting e modelos de Cox penalizados; o DeepSurv foi o modelo de aprendizado profundo mais frequente. Modelos de aprendizado profundo foram melhores na predição de desfechos cardiovasculares do que os de aprendizado de máquina. Apenas um em cada cinco estudos realizou estratificação por gênero e poucos incluíram determinantes sociais da saúde. Os métodos de explicabilidade mais usados foram importância de variáveis por permutação e valores de Shapley.

## Limitações

O resumo não informa as características detalhadas dos estudos incluídos, como tamanho de amostra, populações ou limitações individuais. Também não são descritas limitações da própria revisão sistemática, como viés de publicação ou heterogeneidade entre os estudos. A ausência de informações sobre a qualidade metodológica dos estudos incluídos impede uma avaliação mais aprofundada da robustez das conclusões.

## Aplicação no consultório

Ao considerar o uso de modelos de inteligência artificial para predição de risco cardiovascular na prática clínica, o médico deve estar atento ao tipo de modelo empregado, pois os de aprendizado profundo para sobrevivência, como o DeepSurv, mostraram melhor desempenho preditivo. No entanto, a explicabilidade desses modelos e a incorporação de determinantes sociais da saúde e de estratificação por gênero ainda são limitadas. Isso significa que, no consultório, a aplicação dessas ferramentas deve ser feita com cautela, considerando as características individuais do paciente e o contexto social. Para a gestão do consultório, pode ser relevante acompanhar o desenvolvimento de modelos que incluam determinantes sociais e análises por gênero, visando uma predição mais equitativa e personalizada.

## Perguntas para aprofundar

- Quais modelos de aprendizado de máquina são mais utilizados para predição de risco cardiovascular em dados de sobrevivência?
- Como a explicabilidade dos modelos de inteligência artificial pode ser aplicada na prática clínica cardiovascular?
- Qual a importância da estratificação por gênero e dos determinantes sociais da saúde nos modelos preditivos de doenças cardiovasculares?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/modelos-de-inteligencia-artificial-para-desfechos-de-tempo-ate-o-evento-sao/

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