# Sistemas de apoio à decisão clínica com IA interpretável têm bom desempenho na detecção precoce de sepse e na predição de mortalidade em pacientes agudos?

> Segundo esta revisão sistemática com meta-análise, modelos de IA interpretável integrados a sistemas de apoio à decisão mostraram boa discriminação para detecção de sepse, com sensibilidade agrupada de 0,685 e especificidade de 0,898, mas desempenho apenas moderado para predição de mortalidade. A confiança nos achados é limitada por heterogeneidade substancial e alto risco de viés.

Estudo citado: Ibraheem M, Khalil M, Khalil S, Contreras H, Azar J. Early clinical decision support using interpretable artificial intelligence in acute illness (sepsis and infection): A systematic review and meta-analysis. International journal of medical informatics. 2026. DOI: https://doi.org/10.1016/j.ijmedinf.2026.106629. PubMed: https://pubmed.ncbi.nlm.nih.gov/42480414/

## Resposta

A revisão avaliou o desempenho diagnóstico e prognóstico de modelos de inteligência artificial interpretáveis aplicados à sepse e a infecções graves em cenários de cuidado agudo. A pergunta é relevante para o clínico porque a interpretabilidade é apontada como barreira central à adoção dessas ferramentas na rotina assistencial.

Para detecção de sepse, a síntese quantitativa mostrou sensibilidade agrupada de 0,685 e especificidade de 0,898, com AUC de 0,879. Na análise de sensibilidade, o desempenho permaneceu estável, com sensibilidade de 0,751, especificidade de 0,873 e AUC de 0,890. Esses resultados sugerem boa discriminação global para essa finalidade.

Para predição de mortalidade, a sensibilidade agrupada foi de 0,618 e a especificidade de 0,778, com AUC de 0,753, o que os autores classificam como desempenho preditivo moderado. Já a predição de complicações não pôde ser sintetizada quantitativamente, pois havia apenas dois estudos clinicamente heterogêneos.

Os métodos de explicabilidade ofereceram insight sobre as saídas dos modelos, mas os estudos incluídos não avaliaram diretamente a confiança do clínico, a adoção, as respostas comportamentais ou desfechos de implementação em nível de paciente. Os autores concluem que validação prospectiva multicêntrica, calibração, modelagem temporal e avaliação de utilidade clínica devem preceder a implantação rotineira.

## O que o estudo mostrou

Revisão sistemática com meta-análise de efeitos aleatórios bivariada, com busca em abril de 2026 em PubMed, Scopus e Cochrane Library, incluindo pesquisas originais em inglês publicadas a partir de 2024 sobre IA interpretável ou explicável integrada a sistemas de apoio à decisão em sepse ou infecção grave. De 849 registros, 15 estudos foram incluídos: detecção/diagnóstico de sepse (n = 8), predição de mortalidade (n = 5) e predição de complicações (n = 2). Para detecção de sepse, sensibilidade agrupada de 0,685 e especificidade de 0,898 (AUC = 0,879); na análise de sensibilidade, sensibilidade de 0,751, especificidade de 0,873 e AUC = 0,890. Para mortalidade, sensibilidade de 0,618 e especificidade de 0,778 (AUC = 0,753).

## Limitações

Quatorze dos 15 estudos incluídos foram julgados com alto risco de viés global, predominantemente por preocupações no domínio de análise. Os autores relatam heterogeneidade substancial, o que limita a confiança nos achados. A síntese quantitativa não foi feita para predição de complicações devido a apenas dois estudos clinicamente heterogêneos. O resumo não informa detalhes sobre tamanho amostral dos estudos primários nem sobre calibração dos modelos. Além disso, os estudos não avaliaram diretamente confiança do clínico, adoção, respostas comportamentais ou desfechos de implementação em nível de paciente.

## Aplicação no consultório

Para o médico que atende pacientes agudos, os achados sustentam cautela e não justificam adotar ferramentas de IA interpretável como substitutas do julgamento clínico. A boa discriminação para detecção de sepse contrasta com o desempenho moderado na predição de mortalidade, o que deve orientar a escolha de onde essas ferramentas poderiam agregar. Na gestão do consultório e de serviços, a decisão de incorporar sistemas de apoio à decisão deve considerar o alto risco de viés dos estudos, a heterogeneidade e a ausência de avaliação de utilidade clínica e de desfechos de implementação. Priorizar pilotos com validação prospectiva local, monitoramento de calibração e avaliação de impacto antes de expansão parece coerente com as conclusões.

## Perguntas para aprofundar

- Como a interpretabilidade dos modelos de IA influencia a confiança e a adoção por médicos em cenários de sepse?
- Qual é o desempenho calibrado de modelos interpretáveis de IA para predição de mortalidade em infecção grave em validação prospectiva multicêntrica?
- Que desfechos de utilidade clínica devem ser medidos antes de implantar sistemas de apoio à decisão com IA na rotina assistencial?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/sistemas-de-apoio-a-decisao-clinica-com-ia-interpretavel-tem-bom-desempenho-na/

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