# Modelos de machine learning são eficazes para prever o risco de doença renal diabética em pacientes com diabetes tipo 2?

> Sim, modelos de machine learning apresentam alto desempenho na predição do risco de doença renal diabética em pacientes com diabetes tipo 2, com AUC agrupada de 0,839 na validação interna e 0,830 na validação externa. No entanto, a maioria dos estudos realizou apenas validação interna, e vieses nos dados ainda precisam ser abordados.

Estudo citado: Li Y, Jin N, Zhan Q, Huang Y, Sun A, Yin F et al.. Machine learning-based risk predictive models for diabetic kidney disease in type 2 diabetes mellitus patients: a systematic review and meta-analysis. Frontiers in endocrinology. 2025. DOI: https://doi.org/10.3389/fendo.2025.1495306. PubMed: https://pubmed.ncbi.nlm.nih.gov/40099258/

## Resposta

A doença renal diabética é uma complicação frequente do diabetes tipo 2, e a predição precoce do risco pode auxiliar na implementação de estratégias preventivas. Modelos de machine learning têm sido desenvolvidos para essa finalidade, mas seu desempenho varia. Esta revisão sistemática e meta-análise reuniu estudos que avaliaram modelos preditivos de machine learning para doença renal diabética em pacientes com diabetes tipo 2, com o objetivo de sumarizar seu desempenho e aplicabilidade clínica.

Foram incluídos 26 estudos, que desenvolveram 94 modelos de machine learning. A maioria dos estudos realizou validação interna (25 estudos), enquanto apenas 8 conduziram validação externa. A área sob a curva ROC (AUC) agrupada foi de 0,839 (IC 95% 0,787-0,890) na validação interna e de 0,830 (IC 95% 0,784-0,877) na validação externa, indicando bom desempenho discriminativo.

Na análise de subgrupos por tipo de machine learning, a AUC agrupada foi de 0,797 (IC 95% 0,777-0,816) para regressão tradicional, 0,811 (IC 95% 0,785-0,836) para machine learning e 0,863 (IC 95% 0,825-0,900) para deep learning. Entre os modelos avaliados três ou mais vezes, o random forest apresentou o melhor desempenho, com AUC agrupada de 0,848 (IC 95% 0,785-0,911).

Os autores concluem que os modelos de machine learning demonstram alto desempenho na predição do risco de doença renal diabética em pacientes com diabetes tipo 2. Contudo, destacam desafios relacionados a vieses nos dados durante o desenvolvimento e validação dos modelos. Pesquisas futuras devem focar em melhorar a transparência e padronização dos dados, além de validar a generalização desses modelos por meio de estudos multicêntricos.

## O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu 26 estudos, nos quais foram desenvolvidos 94 modelos de machine learning para predição de doença renal diabética em pacientes com diabetes tipo 2. A AUC agrupada foi de 0,839 (IC 95% 0,787-0,890) na validação interna e 0,830 (IC 95% 0,784-0,877) na validação externa. O modelo random forest apresentou o melhor desempenho entre os mais avaliados, com AUC de 0,848 (IC 95% 0,785-0,911).

## Limitações

O resumo não informa detalhes sobre as características dos estudos incluídos, como tamanho amostral ou populacionais específicas. A maioria dos estudos realizou apenas validação interna, e o risco de viés foi avaliado, mas os resultados dessa avaliação não são descritos. Os autores mencionam desafios relacionados a vieses nos dados e a necessidade de validação externa em estudos multicêntricos.

## Aplicação no consultório

Os achados sugerem que modelos de machine learning podem auxiliar na estratificação de risco de doença renal diabética em pacientes com diabetes tipo 2, potencialmente orientando a intensificação de monitoramento e intervenções preventivas. No entanto, a aplicação clínica rotineira ainda requer validação externa robusta e padronização. Para o consultório, isso implica considerar a incorporação dessas ferramentas com cautela, priorizando modelos validados externamente e com transparência de dados, além de investir em infraestrutura para coleta e integração de dados clínicos.

## Perguntas para aprofundar

- Qual é o desempenho de modelos de machine learning na predição de doença renal diabética em comparação com modelos tradicionais?
- Quais são os principais vieses que afetam modelos de machine learning para predição de doença renal diabética?
- Como a validação externa de modelos de machine learning pode ser implementada na prática clínica?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/modelos-de-machine-learning-sao-eficazes-para-prever-o-risco-de-doenca-renal/

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