Ética, viés e explicabilidade da IA em saúde

O aprendizado de máquina pode apoiar o diagnóstico e o manejo da doença arterial periférica na prática clínica?

Resposta

A doença arterial periférica é uma condição crônica causada por aterosclerose, com estreitamento e obstrução arterial, principalmente nos membros inferiores, reduzindo o fluxo sanguíneo e aumentando o risco de perda de membros e mortalidade. O diagnóstico precoce é essencial para prevenir complicações e melhorar desfechos. Nesse contexto, o aprendizado de máquina, subconjunto da inteligência artificial, surge como abordagem não invasiva e eficiente para analisar grandes conjuntos de dados e identificar padrões complexos.

Esta revisão sistemática explorou a aplicação de algoritmos de aprendizado de máquina no diagnóstico e manejo da doença arterial periférica, com foco em tipos de dados (numéricos ou não numéricos), características, métricas de desempenho, ferramentas de software e desfechos previstos. A busca abrangeu PubMed, Scopus e Web of Science e identificou 30 estudos relevantes publicados entre 2014 e 2024, cobrindo domínios como regressão, classificação e agrupamento.

Os estudos utilizaram diferentes técnicas, incluindo redes neurais totalmente conectadas e convolucionais, aprendizado por ensemble e aprendizado profundo. Os achados indicam que registros clínicos foram a principal fonte de dados em aproximadamente 50% dos estudos, e a random forest foi o algoritmo mais frequentemente usado para análise da doença arterial periférica. Os modelos foram aplicados tanto a conjuntos de dados diagnósticos quanto de avaliação de risco, demonstrando versatilidade.

Uma avaliação de risco de viés foi realizada em cinco domínios para estimar a confiabilidade dos estudos. A avaliação geral revelou que 50% dos estudos apresentaram baixo risco em todos os domínios. Os autores concluem que esses achados destacam o potencial do aprendizado de máquina para aprimorar o diagnóstico e o manejo da doença arterial periférica.

O que o estudo mostrou

Trata-se de uma revisão sistemática com busca em PubMed, Scopus e Web of Science, que identificou 30 estudos publicados entre 2014 e 2024. Os estudos abrangeram regressão, classificação e agrupamento, com técnicas como redes neurais totalmente conectadas e convolucionais, aprendizado por ensemble e aprendizado profundo. Registros clínicos foram a principal fonte de dados em aproximadamente 50% dos estudos, a random forest foi o algoritmo mais usado e 50% dos estudos apresentaram baixo risco de viés em todos os domínios.

Limitações

O resumo não detalha a amostra de pacientes nem as características individuais dos estudos incluídos. Também não informa métricas de desempenho específicas dos modelos, heterogeneidade entre os estudos ou limitações metodológicas da própria revisão. Metade dos estudos apresentou risco de viés não classificado como baixo em todos os domínios, o que restringe a força das conclusões.

Aplicação no consultório

Para o médico, os achados sugerem que ferramentas de aprendizado de máquina podem, no futuro, apoiar triagem e estratificação de risco da doença arterial periférica a partir de registros clínicos, que foram a fonte de dados mais comum. Na gestão do consultório, isso reforça a importância de manter registros clínicos estruturados e completos, base para modelos preditivos. O resumo não permite indicar algoritmos ou softwares específicos para uso imediato na prática.

Estudo citado

Applications of machine learning for peripheral artery disease diagnosis and management: A systematic review. Computers in biology and medicine, 2025.
Autores: Aant N, Arabbeiki M, Niroomand MR.
DOI: 10.1016/j.compbiomed.2025.110744 · PubMed: PMID 40644890

Perguntas para aprofundar

• Quais tipos de dados clínicos são mais utilizados em modelos de aprendizado de máquina para doença arterial periférica?
• Como o risco de viés foi avaliado nos estudos de aprendizado de máquina sobre doença arterial periférica?
• Quais algoritmos de aprendizado de máquina têm sido mais aplicados na avaliação de risco da doença arterial periférica?

Mais sobre Ética, viés e explicabilidade da IA em saúde

• Modelos de aprendizado de máquina são melhores que ferramentas clínicas para prever a necessidade de protocolo de hemorragia maciça no trauma?
• Qual é o papel atual da inteligência artificial no manejo da hiperplasia prostática benigna, segundo uma revisão sistemática?
• A inteligência artificial já pode apoiar o diagnóstico de depressão na prática clínica, e quais são os limites metodológicos e éticos?
• Modelos de inteligência artificial são eficazes no diagnóstico e prognóstico de apendicite aguda em adultos?
• A inteligência artificial já pode ser usada na prática clínica para predizer, diagnosticar e tratar a doença renal crônica?

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