# A inteligência artificial já pode apoiar o controle glicêmico e a predição de risco em unidades de terapia intensiva?

> A revisão sistemática indica que modelos modernos de aprendizado de máquina, sobretudo ensembles de árvores e modelos de sequência profundos, melhoram a predição glicêmica de curto horizonte e sinalizam hipo ou hiperglicemia iminente na UTI. Alguns algoritmos apoiam titulação de insulina ou estratégias de alça fechada. A adoção rotineira, porém, depende de validação externa, calibração transparente e ensaios prospectivos multicêntricos.

Estudo citado: Sarwar MA, Damaševičius R, Belousovienė E, Maskeliūnas R. Systematic review of Artificial Intelligence-based methods for glycemic control and risk prediction in intensive care units. Artificial intelligence in medicine. 2026. DOI: https://doi.org/10.1016/j.artmed.2026.103409. PubMed: https://pubmed.ncbi.nlm.nih.gov/41844000/

## Resposta

A revisão sistemática reuniu a literatura sobre métodos de inteligência artificial aplicados ao manejo glicêmico e à predição de risco em unidades de terapia intensiva. O ponto de partida é a dificuldade de atingir metas glicêmicas seguras nesse ambiente, em razão de mudanças fisiológicas rápidas, efeitos do tratamento e ruído de medição. Os autores organizaram os estudos segundo conjuntos de dados, classes de modelos, estratégias de validação, desfechos clínicos e barreiras de implementação.

Os resultados apontam que o aprendizado de máquina moderno, em particular ensembles de árvores e modelos de sequência profundos, melhora a predição glicêmica de curto horizonte e permite sinalizar hipoglicemia ou hiperglicemia iminente. Além disso, vários algoritmos oferecem suporte à titulação de insulina ou a estratégias de alça fechada. As fontes de dados foram heterogêneas, incluindo glicemia à beira-leito, monitorização contínua de glicose e fluxos fisiológicos de prontuário eletrônico.

A despeito do potencial, a revisão destaca fragilidades metodológicas. A validação externa é incomum, a calibração é relatada de forma inconsistente e os desfechos variam entre os estudos, como tempo no alvo, carga de hipoglicemia e índices de risco glicêmico, o que limitou a realização de meta-análise. Esses elementos dificultam comparações diretas entre modelos e a definição de qual abordagem seria mais robusta para uso clínico.

A conclusão dos autores é que a inteligência artificial mostra promessa para alertas proativos e dosagem individualizada de insulina em UTI, mas a adoção rotineira depende de ensaios prospectivos multicêntricos com desfechos padronizados, calibração transparente, integração ao fluxo de trabalho e monitoramento de segurança. O resumo não informa quantos estudos foram incluídos nem o tamanho das coortes analisadas.

## O que o estudo mostrou

Trata-se de revisão sistemática conduzida conforme PRISMA, com busca em PubMed, PubMed Central e Google Scholar de estudos publicados entre janeiro de 2019 e março de 2025. Foram incluídos estudos revisados por pares, em inglês, que avaliavam ferramentas de inteligência artificial para predição ou controle glicêmico ou desfechos ligados à glicose em coortes de UTI ou bases de dados de padrão de UTI. O resumo não informa o número de estudos incluídos. Os achados indicam que aprendizado de máquina moderno melhora a predição glicêmica de curto horizonte, sinaliza hipo e hiperglicemia iminentes e apoia titulação de insulina ou alça fechada, mas a validação externa é incomum e os desfechos variam.

## Limitações

O resumo não informa o número de estudos incluídos, o tamanho das amostras nem o detalhamento do risco de viés. Os próprios autores relatam heterogeneidade de coortes e fontes de dados, validação externa incomum, calibração relatada de forma inconsistente e desfechos variáveis, o que impediu a meta-análise. Essas limitações restringem conclusões sobre superioridade entre modelos e sobre generalização para diferentes serviços.

## Aplicação no consultório

Para o médico que atua em terapia intensiva ou coordena serviços, a revisão sugere cautela antes de incorporar ferramentas de inteligência artificial ao protocolo glicêmico. A ausência de validação externa consistente e de calibração transparente recomenda avaliar se o modelo foi testado em população semelhante à do serviço. Na gestão do consultório e da equipe, vale priorizar soluções com desfechos padronizados, integração ao fluxo de trabalho e monitoramento de segurança, além de definir quem interpreta os alertas e como eles se conectam à titulação de insulina.

## Perguntas para aprofundar

- Quais classes de modelos de aprendizado de máquina têm sido mais usadas para predição glicêmica em UTI?
- Como a calibração dos modelos de inteligência artificial é relatada nos estudos de controle glicêmico em terapia intensiva?
- Quais desfechos clínicos são usados para avaliar ferramentas de inteligência artificial no manejo glicêmico em UTI?

Tema: IA em medicina de precisão e genômica. Página: https://alphadoctor.com.br/ciencia/ia-medicina-precisao-genomica/a-inteligencia-artificial-ja-pode-apoiar-o-controle-glicemico-e-a-predicao-de/

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