# O aprendizado de máquina já pode apoiar o diagnóstico da doença de Hirschsprung na prática clínica?

> A evidência é preliminar. Em três estudos com enema opaco, a meta-análise exploratória mostrou sensibilidade agrupada de 0,857 e especificidade de 0,880, com área sob a curva de 0,927. Em biópsia retal, o aprendizado de máquina parece reduzir o tempo de interpretação, mas o ganho diagnóstico é limitado e heterogêneo. Estudos prospectivos multicêntricos ainda são necessários.

Estudo citado: Liu H, Zhou Y, Wang X, Wang C, Guo S, Sun M et al.. Machine learning in the diagnosis of Hirschsprung disease: a systematic review and meta-analysis. Pediatric surgery international. 2026. DOI: https://doi.org/10.1007/s00383-026-06487-3. PubMed: https://pubmed.ncbi.nlm.nih.gov/42295411/

## Resposta

A revisão sistemática com meta-análise reuniu a evidência disponível sobre o uso de aprendizado de máquina no diagnóstico da doença de Hirschsprung. Os autores buscaram estudos em bases bibliográficas no período de janeiro de 2016 a novembro de 2025 e avaliaram a qualidade metodológica com a ferramenta QUADAS-2. Foram incluídos onze estudos, com heterogeneidade substancial em desenho, modalidades de dados e desfechos avaliados.

A síntese foi narrativa, com meta-análise exploratória apenas quando viável. Três estudos baseados em enema opaco foram elegíveis para a meta-análise, com sensibilidade agrupada de 0,857 (IC 95% 0,738-0,936), especificidade de 0,880 (IC 95% 0,790-0,941) e área sob a curva de 0,927. Esses resultados sugerem desempenho diagnóstico favorável nesse subconjunto, mas devem ser lidos como exploratórios diante da heterogeneidade entre os estudos.

Nos estudos baseados em biópsia retal, as abordagens assistidas por aprendizado de máquina pareceram reduzir o tempo de interpretação. No entanto, a evidência de melhora no desempenho diagnóstico permanece limitada e heterogênea. Ou seja, o papel mais consistente nesse campo parece ser o de ferramenta de apoio à eficiência, e não de substituição da interpretação do especialista.

A conclusão dos autores é que o aprendizado de máquina pode ter valor potencial no suporte ao diagnóstico da doença de Hirschsprung, particularmente quando combinado com dados de imagem e clínicos. Na histopatologia, a tecnologia parece mais provável como ferramenta assistiva para melhorar eficiência e, potencialmente, o desempenho diagnóstico, em vez de substituir a avaliação do patologista. Estudos prospectivos multicêntricos adicionais são necessários antes da implementação clínica rotineira.

## O que o estudo mostrou

Trata-se de revisão sistemática com meta-análise exploratória que incluiu onze estudos sobre aprendizado de máquina no diagnóstico da doença de Hirschsprung, com avaliação de qualidade pelo QUADAS-2. Três estudos com enema opaco entraram na meta-análise, com sensibilidade agrupada de 0,857 (IC 95% 0,738-0,936), especificidade de 0,880 (IC 95% 0,790-0,941) e área sob a curva de 0,927. Nos estudos com biópsia retal, houve aparente redução do tempo de interpretação, com evidência limitada e heterogênea de melhora diagnóstica.

## Limitações

O resumo não informa o tamanho amostral dos estudos incluídos nem detalhes sobre os modelos de aprendizado de máquina utilizados. A heterogeneidade substancial em desenho, modalidades de dados e desfechos limitou a síntese, e a meta-análise foi exploratória e restrita a três estudos com enema opaco. Os autores apontam a necessidade de estudos prospectivos multicêntricos antes da implementação clínica rotineira.

## Aplicação no consultório

Para o cirurgião pediátrico e o patologista, o aprendizado de máquina deve ser visto hoje como ferramenta auxiliar em avaliação, não como substituto do julgamento clínico ou da interpretação histopatológica. A redução do tempo de interpretação em biópsias retais pode interessar ao planejamento de fluxo laboratorial, mas a adoção exige validação local e infraestrutura de dados. Na gestão do consultório, vale acompanhar a evidência antes de incorporar essas ferramentas à rotina diagnóstica.

## Perguntas para aprofundar

- Qual é o desempenho diagnóstico do aprendizado de máquina aplicado ao enema opaco na doença de Hirschsprung?
- O aprendizado de máquina pode substituir o patologista na interpretação de biópsias retais para Hirschsprung?
- Quais lacunas de evidência ainda impedem a implementação clínica rotineira dessas ferramentas?

Tema: IA em patologia digital. Página: https://alphadoctor.com.br/ciencia/ia-patologia-digital/o-aprendizado-de-maquina-ja-pode-apoiar-o-diagnostico-da-doenca-de-hirschsprung/

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