# Técnicas de aprendizado de máquina e aprendizado profundo podem melhorar a predição e o diagnóstico de leptospirose na prática clínica?

> A revisão sistemática identificou que modelos de aprendizado de máquina e profundo, como máquinas de vetores de suporte, redes neurais artificiais, árvores de decisão e redes neurais convolucionais, alcançaram acurácia entre 80% e 98% na predição e diagnóstico de leptospirose. Contudo, a maioria dos estudos usou dados privados, e datasets públicos foram subutilizados, limitando a generalização dos achados.

Estudo citado: Sawesi S, Jadhav A, Rashrash B. Machine Learning and Deep Learning Techniques for Prediction and Diagnosis of Leptospirosis: Systematic Literature Review. JMIR medical informatics. 2025. DOI: https://doi.org/10.2196/67859. PubMed: https://pubmed.ncbi.nlm.nih.gov/40440642/

## Resposta

A leptospirose é uma zoonose causada por bactérias do gênero Leptospira e representa risco relevante de saúde pública, especialmente em regiões tropicais e subtropicais. Nesse contexto, a revisão sistemática avaliou como técnicas de aprendizado de máquina (ML) e aprendizado profundo (DL) vêm sendo aplicadas na predição e no diagnóstico da doença, com foco nos algoritmos mais usados, métodos de validação, tipos de dados e métricas de desempenho.

Os autores seguiram diretrizes PRISMA, a ferramenta CHARMS e o instrumento PROBAST para conduzir a revisão. De 374 artigos triados, 17 estudos foram incluídos na síntese qualitativa, representando aproximadamente 4,5% do pool inicial. Entre os algoritmos identificados, destacaram-se máquinas de vetores de suporte, redes neurais artificiais, árvores de decisão e redes neurais convolucionais (CNNs).

Dos estudos incluídos, 88% (15/17) utilizaram métodos tradicionais de ML e 24% (4/17) empregaram técnicas de DL. Vários modelos demonstraram alto desempenho preditivo, com taxas de acurácia relatadas entre 80% e 98%, notadamente a CNN U-Net, que alcançou 98,02% de acurácia. Esses resultados sugerem potencial das abordagens computacionais para apoiar a detecção e a predição da leptospirose.

Por outro lado, a revisão apontou subutilização de datasets públicos: apenas 35% (6/17) dos estudos incorporaram fontes de dados publicamente disponíveis, enquanto a maioria (65%, 11/17) baseou-se principalmente em datasets privados de hospitais, registros clínicos ou sistemas regionais de vigilância. Essa dependência de dados privados pode restringir a reprodutibilidade e a generalização dos modelos.

Os autores concluem que as técnicas de ML e DL demonstram potencial para melhorar a predição e o diagnóstico da leptospirose, mas pesquisas futuras devem priorizar datasets maiores e mais diversos, adotar estratégias de transfer learning e integrar técnicas avançadas de ensemble e validação para fortalecer a acurácia e a generalização dos modelos.

## O que o estudo mostrou

Trata-se de uma revisão sistemática que seguiu diretrizes PRISMA, CHARMS e PROBAST. De 374 artigos triados, 17 estudos foram incluídos na síntese qualitativa, representando aproximadamente 4,5% do pool inicial. Os algoritmos mais frequentes foram máquinas de vetores de suporte, redes neurais artificiais, árvores de decisão e CNNs. Métodos tradicionais de ML foram usados em 88% (15/17) dos estudos e DL em 24% (4/17). A acurácia relatada variou de 80% a 98%, com a CNN U-Net alcançando 98,02%. Apenas 35% (6/17) usaram dados públicos; 65% (11/17) recorreram a datasets privados.

## Limitações

O resumo não informa detalhes sobre o desenho individual dos estudos incluídos, tamanho de amostra por estudo, heterogeneidade das populações ou risco de viés específico de cada modelo. A predominância de datasets privados e a subutilização de dados públicos limitam a reprodutibilidade e a generalização dos resultados. O resumo também não informa métricas além da acurácia nem estratégias de validação externa.

## Aplicação no consultório

Para o médico, os achados indicam que ferramentas de ML e DL podem, no futuro, apoiar a triagem e o diagnóstico de leptospirose, mas ainda não substituem a avaliação clínica. Na gestão do consultório, é prudente acompanhar a maturidade desses modelos e evitar adotar soluções sem validação em dados locais. A dependência de datasets privados sugere que clínicas e serviços podem contribuir com dados estruturados e de qualidade para pesquisas futuras, respeitando governança e privacidade.

## Perguntas para aprofundar

- Quais algoritmos de aprendizado de máquina são mais usados na predição de leptospirose?
- Como a subutilização de datasets públicos afeta a generalização dos modelos de leptospirose?
- Quais estratégias de validação podem fortalecer modelos de IA para leptospirose?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/tecnicas-de-aprendizado-de-maquina-e-aprendizado-profundo-podem-melhorar-a/

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