IA em medicina de precisão e genômica

Qual é o desempenho dos modelos de predição de risco de AVC e como ele varia entre populações e regiões?

Resposta

A predição do risco de AVC é uma estratégia importante para identificar indivíduos de alto risco e permitir intervenções oportunas. No entanto, a evidência sobre o desempenho dos modelos existentes é limitada. Esta revisão sistemática e meta-análise buscou sumarizar a performance dos modelos de escore de risco de AVC (SRSMs) e verificar se há variação por população e região.

Foram incluídos 17 artigos, a maioria estudos de coorte, totalizando 739.134 casos de AVC entre 6.396.594 participantes de diversas populações e regiões (Ásia, Estados Unidos, Europa e Reino Unido). A qualidade dos estudos foi avaliada com a ferramenta Prediction Model Risk of Bias Assessment Tool (PROBAST).

A meta-análise dos C-statistics mostrou um valor agrupado de 0,78 (IC 95%: 0,75–0,80), indicando discriminação regular. Na análise de subgrupos por região, os valores foram: Ásia 0,81 (IC 95%: 0,79–0,83), Europa e Reino Unido 0,76 (IC 95%: 0,69–0,83) e Estados Unidos 0,75 (IC 95%: 0,72–0,78). A heterogeneidade foi muito alta (I² = 99,9% no geral).

Os autores concluem que o desempenho dos SRSMs variou amplamente e que poucos modelos foram validados em populações independentes de diferentes regiões do mundo. Isso sugere que os modelos disponíveis podem não ser diretamente generalizáveis para todas as populações.

Para o médico, esses achados reforçam a necessidade de cautela ao aplicar modelos de risco de AVC na prática clínica, considerando a população de origem do modelo e a validação local. A escolha do modelo deve levar em conta o desempenho na população específica e a disponibilidade de validação externa.

O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu 17 artigos (15 estudos de coorte e 2 estudos de caso-controle aninhados), com 739.134 casos de AVC entre 6.396.594 participantes de diversas populações e regiões (Ásia, Estados Unidos, Europa e Reino Unido). O C-statistic agrupado dos modelos de predição de risco de AVC foi 0,78 (IC 95%: 0,75–0,80; I² = 99,9%). Na análise de subgrupos por região, os valores foram: Ásia 0,81 (IC 95%: 0,79–0,83), Europa e Reino Unido 0,76 (IC 95%: 0,69–0,83) e Estados Unidos 0,75 (IC 95%: 0,72–0,78).

Limitações

O resumo não informa detalhes sobre as limitações dos estudos primários, como risco de viés individual, ou sobre a qualidade metodológica dos modelos. A heterogeneidade foi muito alta (I² = 99,9%), o que limita a interpretação do C-statistic agrupado. Além disso, o resumo não especifica quais modelos foram avaliados nem se houve validação externa independente. Poucos modelos foram validados em populações independentes de diferentes regiões.

Aplicação no consultório

Os achados sugerem que os modelos de predição de risco de AVC têm desempenho regular, mas com grande variabilidade. Na prática clínica, ao utilizar um modelo, é importante verificar se ele foi validado na população local e considerar suas limitações. Para a gestão do consultório, isso implica cautela na implementação de ferramentas de estratificação de risco sem validação adequada, podendo ser necessário buscar modelos específicos para a população atendida ou utilizar o julgamento clínico complementar.

Estudo citado

Stroke risk prediction models: A systematic review and meta-analysis. Journal of the neurological sciences, 2024.
Autores: Asowata OJ, Okekunle AP, Olaiya MT, Akinyemi J, Owolabi M, Akpa OM.
DOI: 10.1016/j.jns.2024.122997 · PubMed: PMID 38669758

Perguntas para aprofundar

• Como escolher um modelo de predição de risco de AVC para usar na minha população de pacientes?
• Quais são as limitações dos modelos de risco de AVC disponíveis atualmente?
• A validação externa dos modelos de risco de AVC é suficiente para aplicação clínica?

Mais sobre IA em medicina de precisão e genômica

• A inteligência artificial já pode apoiar o controle glicêmico e a predição de risco em unidades de terapia intensiva?
• Técnicas computacionais de aprendizado de máquina são eficazes para localizar proteínas transmembrana em compartimentos celulares?
• Como a análise temática com diagramas de cordas pode orientar a pesquisa em inteligência artificial aplicada a trauma de coluna, metástase vertebral e osteoporose?
• O aprendizado de máquina aplicado a biomarcadores radiômicos e genômicos tem desempenho satisfatório para o diagnóstico de câncer de próstata?
• O rastreamento de câncer de pulmão com tomografia computadorizada de baixa dose é custo-efetivo e qual o impacto orçamentário?

Todas as perguntas sobre IA em medicina de precisão e genômica · Todos os temas · Versão em markdown