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

> Uma revisão sistemática com meta-análise mostrou que modelos de aprendizado de máquina e aprendizado profundo baseados em EEG apresentam acurácia promissora para detectar crises epilépticas em crianças. O aprendizado profundo teve melhor desempenho, com C-index de 0,91 no conjunto de validação, sensibilidade de 0,89, especificidade de 0,91 e acurácia de 0,89.

Estudo citado: Zou Z, Chen B, Xiao D, Tang F, Li X. Accuracy of Machine Learning in Detecting Pediatric Epileptic Seizures: Systematic Review and Meta-Analysis. Journal of medical Internet research. 2024. DOI: https://doi.org/10.2196/55986. PubMed: https://pubmed.ncbi.nlm.nih.gov/39661965/

## 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.

## 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?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/qual-e-a-acuracia-do-aprendizado-de-maquina-na-deteccao-de-crises-epilepticas/

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