A inteligência artificial é confiável para medir parâmetros espinopélvicos na deformidade espinhal do adulto?
Resposta curta: Uma revisão sistemática mostrou que modelos de aprendizado profundo medem parâmetros espinopélvicos com boa correlação aos cirurgiões, especialmente tilt pélvico, incidência pélvica, cifose T4-T12, lordose L1-L4 e SVA. Porém, cifose T1-T12 e lordose L4-S1 apresentaram correlações menores, indicando cautela nessas medidas.
Resposta
A revisão sistemática avaliou o desempenho de algoritmos de aprendizado profundo para estimar parâmetros espinopélvicos na deformidade espinhal do adulto, comparando com medições manuais feitas por cirurgiões. Foram incluídos 16 estudos, com amostras de 15 a 9.832 imagens radiográficas, e coeficientes de correlação intraclasse (ICC) variando de 0,56 a 1,00.
Os resultados mostraram que medidas de tilt pélvico, incidência pélvica, cifose T4-T12, lordose L1-L4 e SVA tiveram ICCs consistentemente altos (>0,80) e desvios absolutos médios baixos (<6°). Para tilt pélvico, muitos estudos relataram ICC excelente de 0,90 ou maior. Em contraste, cifose T1-T12 e lordose L4-S1 exibiram ICCs menores e erros maiores.
A maioria dos modelos demonstrou correlações fortes (>0,80) com as medições dos clínicos, exceto para cifose T1-T12 (correlação de Pearson média de 0,68), lordose L1-L4 (0,75) e lordose L4-S1 (0,65). Isso sugere que a acurácia varia conforme o parâmetro avaliado.
Os autores concluem que os algoritmos de visão computacional mostram acurácia promissora, comparável às medições manuais, mas destacam a necessidade de validação externa, avaliação de outras modalidades de imagem e estudos de viabilidade de integração clínica para confirmar a confiabilidade e a capacidade preditiva dos modelos.
O que o estudo mostrou
Revisão sistemática que incluiu 16 estudos, com amostras de 15 a 9.832 imagens radiográficas, avaliando modelos de aprendizado profundo para medir parâmetros espinopélvicos. Os ICCs variaram de 0,56 a 1,00. Tilt pélvico, incidência pélvica, cifose T4-T12, lordose L1-L4 e SVA apresentaram ICCs >0,80 e desvios absolutos médios <6°. Cifose T1-T12 e lordose L4-S1 tiveram piores desempenhos, com correlações de Pearson médias de 0,68 e 0,65, respectivamente.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, heterogeneidade das amostras ou possíveis vieses de publicação. Também não são descritas validações externas ou comparações com diferentes modalidades de imagem. A ausência de dados sobre a população específica e os critérios de inclusão limita a generalização dos achados.
Aplicação no consultório
Os achados sugerem que a automação por aprendizado profundo pode auxiliar na medição de parâmetros espinopélvicos, mas a variação de acurácia entre parâmetros exige cautela. Na prática clínica, essas ferramentas podem agilizar a análise de imagens, porém ainda carecem de validação externa e integração segura. Para a gestão do consultório, é importante considerar a necessidade de treinamento e a confirmação das medidas em casos complexos.
Estudo citado
Artificial intelligence automated measurements of spinopelvic parameters in adult spinal deformity-a systematic review. Spine deformity, 2025.
Autores: Bishara A, Patel S, Warman A, Jo J, Hughes LP, Khalifeh JM, Azad TD.
DOI: 10.1007/s43390-025-01111-1 · PubMed: PMID 40410653
Perguntas para aprofundar
- Quais parâmetros espinopélvicos têm maior confiabilidade na medição automatizada por inteligência artificial?
- Como a inteligência artificial pode ser integrada à rotina clínica para avaliação da deformidade espinhal do adulto?
- Quais são as limitações atuais da validação externa de modelos de aprendizado profundo em radiografias da coluna?
Mais sobre Regulação e validação clínica de IA
- A análise de ECG por inteligência artificial já é confiável para prever diabetes na prática clínica?
- A análise de EEG com inteligência artificial já é confiável para apoiar o diagnóstico de transtornos neurológicos e oculomotores na prática clínica?
- A inteligência artificial já é confiável para classificar a gravidade endoscópica da doença inflamatória intestinal?
- Qual é a qualidade metodológica dos estudos de deep learning em imagem do joelho segundo o checklist CLAIM?
- A detecção de bacilos álcool-ácido resistentes por aprendizado profundo em imagens de microscopia é precisa o suficiente para uso clínico?
Todas as perguntas sobre Regulação e validação clínica de IA · Todos os temas · Versão em markdown