# Qual é a acurácia diagnóstica do aprendizado profundo na predição de osteoporose?

> Uma revisão sistemática e meta-análise mostrou que modelos de aprendizado profundo, especialmente redes neurais convolucionais, apresentam sensibilidade agrupada de 0,86 e especificidade de 0,89 para predizer osteoporose, com AUC de 0,94, indicando desempenho aceitável. Os autores recomendam validação em ensaios clínicos.

Estudo citado: Amani F, Amanzadeh M, Hamedan M, Amani P. Diagnostic accuracy of deep learning in prediction of osteoporosis: a systematic review and meta-analysis. BMC musculoskeletal disorders. 2024. DOI: https://doi.org/10.1186/s12891-024-08120-7. PubMed: https://pubmed.ncbi.nlm.nih.gov/39633356/

## Resposta

A osteoporose é uma doença metabólica comum caracterizada pela diminuição da densidade óssea e perda da qualidade da estrutura óssea. O uso de aprendizado profundo para predição de osteoporose pode oferecer uma abordagem não invasiva, econômica e eficiente. Esta revisão sistemática e meta-análise avaliou a acurácia diagnóstica de algoritmos de aprendizado profundo para predizer osteoporose.

Foram incluídos 10 estudos que utilizaram redes neurais convolucionais (CNN) como modelo de aprendizado profundo. Três estudos investigaram múltiplos modelos e oito usaram várias arquiteturas de CNN, como ResNet, VGG e EfficientNet. A sensibilidade agrupada foi de 0,86 (IC 95%, 0,82-0,89) e a especificidade agrupada de 0,89 (IC 95%, 0,85-0,91). A curva SROC bivariada resultou em AUC de 0,94 (IC 95% 0,91-0,95).

A razão de chances diagnóstica (DOR) para os modelos de aprendizado profundo foi de 49,09 (IC 95%, 28,74-83,84). O teste de assimetria do gráfico de funil de Deeks (P = 0,4) sugeriu ausência de viés de publicação potencial. Os autores concluem que o aprendizado profundo tem desempenho aceitável para o diagnóstico de osteoporose, até melhor que outros algoritmos de aprendizado de máquina.

No entanto, mais pesquisas são necessárias para validar os achados em ensaios clínicos. O resumo não informa detalhes sobre as populações dos estudos, os critérios de referência para diagnóstico de osteoporose ou as características das imagens utilizadas. A aplicação clínica rotineira ainda requer validação prospectiva e consideração de aspectos éticos e de explicabilidade dos modelos.

## O que o estudo mostrou

Revisão sistemática e meta-análise de 10 estudos que usaram redes neurais convolucionais para predizer osteoporose. A sensibilidade agrupada foi 0,86 (IC 95% 0,82-0,89), especificidade 0,89 (IC 95% 0,85-0,91), AUC 0,94 (IC 95% 0,91-0,95) e DOR 49,09 (IC 95% 28,74-83,84). O teste de Deeks não indicou viés de publicação (P = 0,4).

## Limitações

O resumo não informa as características das populações incluídas, os padrões de referência para diagnóstico de osteoporose, os tipos de imagem ou a qualidade metodológica dos estudos primários. Os autores destacam a necessidade de validação em ensaios clínicos, e o resumo não permite concluir sobre a aplicabilidade clínica imediata ou o desempenho em subgrupos específicos.

## Aplicação no consultório

Os achados sugerem que ferramentas de aprendizado profundo podem auxiliar na triagem não invasiva de osteoporose, mas ainda não substituem a avaliação clínica padrão. No consultório, o médico deve considerar essas tecnologias como apoio potencial, aguardando validação clínica. Para a gestão, investimentos em tais ferramentas exigem avaliação de custo-efetividade e conformidade ética, além de treinamento para interpretação adequada dos resultados.

## Perguntas para aprofundar

- Como o aprendizado profundo se compara à densitometria óssea na predição de osteoporose?
- Quais são as limitações éticas e de explicabilidade dos modelos de aprendizado profundo em saúde óssea?
- Que fatores podem influenciar o desempenho de redes neurais convolucionais na predição de osteoporose?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/qual-e-a-acuracia-diagnostica-do-aprendizado-profundo-na-predicao-de-osteoporose/

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