Ética, viés e explicabilidade da IA em saúde

Qual é a acurácia do aprendizado de máquina na detecção de crises epilépticas pediátricas?

Resposta

A revisão sistemática com meta-análise reuniu 28 estudos originais que avaliaram modelos de aprendizado de máquina (ML) e aprendizado profundo (DL) para detectar crises epilépticas pediátricas usando dados de eletroencefalografia (EEG). A busca abrangeu as bases PubMed, Cochrane, Embase e Web of Science até agosto de 2023, e a qualidade dos estudos foi avaliada pelo instrumento QUADAS-2.

Os resultados agrupados mostraram que, no conjunto de treinamento, os modelos de ML tiveram C-index de 0,76 (IC 95% 0,69-0,82), sensibilidade de 0,77 (IC 95% 0,73-0,80), especificidade de 0,74 (IC 95% 0,70-0,77) e acurácia de 0,75 (IC 95% 0,72-0,77). No conjunto de validação, o C-index foi de 0,73 (IC 95% 0,67-0,79), com sensibilidade de 0,88 (IC 95% 0,83-0,91), especificidade de 0,83 (IC 95% 0,71-0,90) e acurácia de 0,78 (IC 95% 0,73-0,82).

Para os modelos de DL, o C-index agrupado no conjunto de validação foi de 0,91 (IC 95% 0,88-0,94), com sensibilidade de 0,89 (IC 95% 0,85-0,91), especificidade de 0,91 (IC 95% 0,88-0,93) e acurácia de 0,89 (IC 95% 0,86-0,92). Esses achados indicam que o DL apresentou acurácia superior à do ML na detecção de crises epilépticas em crianças.

Os autores concluem que os métodos de inteligência artificial demonstram acurácia promissora na detecção de epilepsia e que o DL oferece maior acurácia de detecção em comparação ao ML. Os resultados apoiam o desenvolvimento de ferramentas de alerta precoce baseadas em DL em pesquisas futuras.

A revisão foi registrada no PROSPERO (CRD42023467260) e avaliou viés de publicação para o C-index por meio de gráficos de funil e teste de Egger. O resumo não detalha os resultados dessa avaliação de viés de publicação nem as características específicas das populações incluídas nos estudos.

O que o estudo mostrou

Revisão sistemática com meta-análise que incluiu 28 estudos originais (15 sobre ML e 13 sobre DL), todos baseados em dados de EEG de crianças. A qualidade foi avaliada pelo QUADAS-2. Os modelos de ML apresentaram, no conjunto de validação, C-index de 0,73 (IC 95% 0,67-0,79), sensibilidade de 0,88 (IC 95% 0,83-0,91), especificidade de 0,83 (IC 95% 0,71-0,90) e acurácia de 0,78 (IC 95% 0,73-0,82). Os modelos de DL mostraram, no conjunto de validação, C-index de 0,91 (IC 95% 0,88-0,94), sensibilidade de 0,89 (IC 95% 0,85-0,91), especificidade de 0,91 (IC 95% 0,88-0,93) e acurácia de 0,89 (IC 95% 0,86-0,92).

Limitações

O resumo não informa as características detalhadas dos estudos incluídos, como faixas etárias específicas, tipos de crises ou configurações clínicas. Também não são apresentados os resultados da avaliação de viés de publicação (gráficos de funil e teste de Egger) nem a heterogeneidade entre os estudos. A qualidade metodológica individual dos estudos não é descrita, apenas que foi avaliada pelo QUADAS-2. Essas lacunas limitam a generalização dos achados.

Aplicação no consultório

Os achados sugerem que ferramentas baseadas em aprendizado profundo podem, no futuro, auxiliar na monitorização em tempo real de crises epilépticas pediátricas, mas ainda não estão disponíveis para uso clínico rotineiro. O médico deve interpretar esses resultados como evidência preliminar e não substituir a avaliação clínica e o EEG convencional. Na gestão do consultório, é importante acompanhar o desenvolvimento dessas tecnologias e considerar seu potencial para triagem e alerta precoce, sem abandonar os padrões diagnósticos atuais.

Estudo citado

Accuracy of Machine Learning in Detecting Pediatric Epileptic Seizures: Systematic Review and Meta-Analysis. Journal of medical Internet research, 2024.
Autores: Zou Z, Chen B, Xiao D, Tang F, Li X.
DOI: 10.2196/55986 · PubMed: PMID 39661965

Perguntas para aprofundar

• Como o aprendizado profundo se compara ao aprendizado de máquina na detecção de crises epilépticas em crianças?
• Quais são as limitações dos estudos sobre inteligência artificial na epilepsia pediátrica?
• Quando ferramentas de inteligência artificial para detecção de crises epilépticas estarão disponíveis na prática clínica?

Mais sobre Ética, viés e explicabilidade da IA em saúde

• Métodos de aprendizado de máquina e aprendizado profundo para reconhecimento de crises epilépticas usando EEG: o que a revisão sistemática revela?
• Modelos de inteligência artificial para previsão de crises epilépticas em tempo real com EEG já estão prontos para uso clínico?
• Como a inteligência artificial pode auxiliar na detecção de descargas epileptiformes interictais no EEG, e qual é o desempenho real desses modelos?
• O que a revisão sistemática sobre aprendizado de máquina e EEG clínico na esclerose múltipla revela para a prática médica?
• Modelos de aprendizado de máquina e aprendizado profundo são confiáveis para diagnosticar estenose do canal lombar na prática clínica?

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