A análise de ronco por inteligência artificial já pode ser usada na prática clínica para detectar apneia obstrutiva do sono e classificar o local de obstrução?
Resposta curta: A revisão sistemática mostra que modelos de aprendizado de máquina aplicados ao som do ronco alcançam alta acurácia na detecção de apneia obstrutiva do sono, mas a classificação do local de obstrução pelo sistema VOTE ainda é variável e carece de validação externa. A aplicação clínica rotineira não está estabelecida.
Resposta
A revisão sistemática avaliou o uso de modelos de aprendizado de máquina e inteligência artificial na análise acústica do ronco para detectar apneia obstrutiva do sono (AOS) e classificar os locais de obstrução conforme o sistema VOTE (véu palatino, orofaringe, língua e epiglote). Foram incluídos 42 estudos, com qualidade metodológica avaliada pela ferramenta PROBAST, e os resultados mostram que modelos como máquinas de vetores de suporte, redes neurais convolucionais e arquiteturas híbridas de aprendizado profundo atingiram acurácia de até 98,6% na classificação do ronco e detecção de AOS.
As características acústicas mais utilizadas incluíram coeficientes cepstrais de frequência mel, transformadas wavelet e representações espectrais profundas. Para a classificação VOTE, os estudos relataram recalls médios não ponderados (UAR) de 49% a 75% com pipelines basais, e valores de até 87,5% a 94,7% de UAR ou 92,2% a 95,5% de acurácia quando usadas características direcionadas com SVM ou kNN. Esses achados sugerem potencial, mas com desempenho ainda heterogêneo entre os estudos.
Os desafios apontados incluem validação externa limitada, desequilíbrio dos conjuntos de dados e interferência de ruído. A conclusão dos autores é que a análise de ronco por IA tem potencial para triagem não invasiva de AOS e classificação anatômica, mas o trabalho futuro deve focar na integração de dados multimodais, validação em cenários do mundo real e generalização dos modelos para apoiar a tradução clínica.
Para o médico, isso significa que a ferramenta ainda não está pronta para substituir a polissonografia ou a avaliação clínica padronizada. A aplicação prática permanece em pesquisa e desenvolvimento, e a incorporação na rotina exigiria validação local e treinamento adequado. O resumo não informa dados sobre custo-efetividade ou impacto na gestão do consultório.
A revisão reforça a importância de avaliar criticamente a qualidade metodológica dos estudos de IA, já que a maioria não foi validada externamente. O clínico deve aguardar evidências mais robustas antes de adotar essas tecnologias como ferramenta de triagem ou classificação na prática diária.
O que o estudo mostrou
Revisão sistemática com 42 estudos identificados em bases de dados, usando o framework PICO e diretrizes PRISMA 2020. Modelos de aprendizado de máquina como SVM, CNN e arquiteturas híbridas alcançaram acurácia de até 98,6% na classificação do ronco e detecção de AOS. Para classificação VOTE, os UAR variaram de 49% a 75% com pipelines basais e até 87,5% a 94,7% com características direcionadas. Os desafios incluíram validação externa limitada, desequilíbrio de dados e ruído.
Limitações
O resumo não informa detalhes sobre a amostra total de pacientes, características demográficas ou critérios de inclusão dos estudos. A validação externa limitada, o desequilíbrio dos conjuntos de dados e a interferência de ruído são apontados como limitações. A heterogeneidade metodológica e a ausência de dados sobre custo-efetividade ou aplicação clínica real também restringem as conclusões.
Aplicação no consultório
A aplicação no consultório ainda é limitada: a tecnologia não substitui a polissonografia ou a avaliação clínica padronizada. O médico pode acompanhar a evolução da IA como ferramenta de triagem não invasiva, mas deve aguardar validação externa e estudos de mundo real. Na gestão do consultório, investimentos em equipamentos ou softwares baseados nesses modelos devem ser cautelosos, priorizando evidências robustas e treinamento da equipe.
Estudo citado
Artificial Intelligence in Snoring Sound Analysis: OSA Detection and Obstruction Site Classification, a Systematic Review. Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery, 2026.
Autores: Tartaglia FC, Pace GM, Giombi F, Nava G, Motisi A, Maffoni N, Mancin S, Berdin N, Sandri G, Cerri L, Serra E, Mercante G, Spriano G, Malvezzi L, Paderno A.
DOI: 10.1002/ohn.70114 · PubMed: PMID 41521859
Perguntas para aprofundar
- Qual é a acurácia dos modelos de inteligência artificial na detecção de apneia obstrutiva do sono a partir do som do ronco?
- A classificação do local de obstrução pelo sistema VOTE com IA já é confiável para uso clínico?
- Quais são as principais limitações dos estudos sobre análise de ronco por aprendizado de máquina?
Mais sobre Regulação e validação clínica de IA
- Modelos de aprendizado de máquina multicanal podem substituir a polissonografia no diagnóstico da apneia obstrutiva do sono?
- Algoritmos de aprendizado de máquina podem auxiliar no diagnóstico precoce de apneia obstrutiva do sono em adultos?
- Modelos de inteligência artificial e aprendizado de máquina são confiáveis para prever falha no tratamento da tuberculose?
- A análise de ECG por inteligência artificial já é confiável para prever diabetes na prática clínica?
- Como a inteligência artificial e o aprendizado de máquina têm sido aplicados em cirurgia ambulatorial?
Todas as perguntas sobre Regulação e validação clínica de IA · Todos os temas · Versão em markdown