# Modelos de machine learning baseados em ultrassom são confiáveis para detectar placa de artéria carótida na prática clínica?

> Segundo esta revisão sistemática com meta-análise, os melhores modelos de machine learning aplicados ao ultrassom de carótida apresentaram sensibilidade agrupada de 0,94, especificidade de 0,95 e AUROC de 0,98. Os resultados apoiam potencial integração clínica para prevenção de AVC, mas a alta heterogeneidade e o risco de viés exigem validação padronizada antes do uso rotineiro.

Estudo citado: Eini P, Eini P, Serpoush H, Rezayee M, Tremblay J. Machine learning models for carotid artery plaque detection: A systematic review of ultrasound-based diagnostic performance. Journal of stroke and cerebrovascular diseases : the official journal of National Stroke Association. 2025. DOI: https://doi.org/10.1016/j.jstrokecerebrovasdis.2025.108446. PubMed: https://pubmed.ncbi.nlm.nih.gov/40915436/

## Resposta

A revisão sistemática com meta-análise reuniu estudos que avaliaram modelos de machine learning para detecção de placa de artéria carótida a partir de exames de ultrassom. A pergunta é relevante porque a placa carotídea é marcador central da aterosclerose e indicador de risco de AVC isquêmico, e a análise manual do ultrassom tem limitações que a automação poderia reduzir.

De dez estudos identificados, oito entraram na meta-análise, com amostras que variaram de 200 a 19.751 pacientes. Os melhores modelos apresentaram sensibilidade agrupada de 0,94 (IC 95%: 0,88-0,97), especificidade de 0,95 (IC 95%: 0,86-0,98), AUROC de 0,98 (IC 95%: 0,97-0,99) e DOR de 302 (IC 95%: 54-1684). Esses números descrevem desempenho diagnóstico elevado no contexto dos estudos incluídos.

Os autores observaram heterogeneidade alta, com I² de 90%, e não identificaram viés de publicação. O risco de viés foi avaliado com a ferramenta PROBAST+AI. A conclusão é que os modelos mostram promessa e podem apoiar a prevenção de AVC, mas a variabilidade entre estudos e o potencial de viés reforçam a necessidade de validação padronizada.

Para o médico, o recado é de cautela informada: os resultados são encorajadores, porém não autorizam substituir a avaliação clínica e ultrassonográfica habitual. O resumo não detalha arquiteturas específicas, fluxos de trabalho ou critérios de referência por estudo, o que limita a transposição direta para o consultório.

A aplicação prática deve ser vista como horizonte de incorporação tecnológica, não como ferramenta pronta para decisão isolada. A gestão do consultório pode acompanhar essa evolução, mas a adoção exige validação local e padronização antes de qualquer mudança de rotina.

## O que o estudo mostrou

Trata-se de revisão sistemática com meta-análise que buscou estudos em PubMed, Scopus, Embase, Web of Science e ProQuest, seguindo diretrizes PRISMA. De dez estudos, oito foram meta-analisados, com amostras de 200 a 19.751 pacientes. Os melhores modelos tiveram sensibilidade agrupada de 0,94, especificidade de 0,95, AUROC de 0,98 e DOR de 302, com heterogeneidade alta (I² = 90%) e sem viés de publicação.

## Limitações

O resumo informa heterogeneidade alta, com I² de 90%, e potencial de viés, avaliado por PROBAST+AI. Não são detalhados no resumo os desenhos individuais dos estudos, as arquiteturas dos modelos, os critérios de referência nem as populações específicas, o que limita conclusões sobre aplicabilidade clínica direta e sobre quais modelos seriam mais adequados.

## Aplicação no consultório

Os achados sugerem potencial de apoio automatizado à detecção de placa carotídea no ultrassom, mas não justificam substituir a análise médica nem incorporar modelos sem validação local. Na gestão do consultório, vale acompanhar a padronização dos estudos e exigir evidências de validação antes de adotar ferramentas de machine learning na rotina diagnóstica.

## Perguntas para aprofundar

- Quais características dos modelos de machine learning estão associadas a melhor desempenho na detecção de placa carotídea por ultrassom?
- Como a heterogeneidade entre estudos pode influenciar a aplicação clínica desses modelos?
- Que critérios de validação padronizada seriam necessários antes de incorporar esses modelos na rotina?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/modelos-de-machine-learning-baseados-em-ultrassom-sao-confiaveis-para-detectar/

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