Regulação e validação clínica de IA

Algoritmos de machine learning superam modelos de regressão clássica na predição de pré-eclâmpsia?

Resposta

Esta revisão sistemática reuniu a literatura sobre modelos de machine learning e modelos de regressão clássica aplicados à predição de pré-eclâmpsia, comparando fatores prognósticos e desempenho preditivo. De 9382 estudos recuperados, 82 foram incluídos, o que indica um corpo de evidência considerável, porém heterogêneo, sobre o tema.

A maior parte da literatura incluída descreveu modelos de regressão clássica, com publicações que relataram exclusivamente modelos de regressão clássica para predizer diferentes momentos de início da pré-eclâmpsia. Outras publicações relataram apenas algoritmos de machine learning, e um conjunto de publicações comparou algoritmos de machine learning e modelos de regressão clássica na mesma amostra; na maioria desses achados, os algoritmos de machine learning superaram os modelos de regressão clássica.

Os fatores prognósticos mais frequentes foram idade, índice de massa corporal pré-gravidez, condições médicas crônicas, paridade, história prévia de pré-eclâmpsia, pressão arterial média, índice de pulsatilidade da artéria uterina, fator de crescimento placentário e proteína plasmática A associada à gravidez. Entre os algoritmos de machine learning com melhor desempenho, destacaram-se random forest (AUC = 0,94, IC 95% 0,91-0,96) e extreme gradient boosting (AUC = 0,92, IC 95% 0,90-0,94). O modelo de riscos competitivos teve desempenho semelhante (AUC = 0,92, IC 95% 0,91-0,92) em comparação com uma rede neural.

Os autores concluem que os algoritmos de machine learning tiveram melhor desempenho em comparação com os modelos de regressão clássica na predição de pré-eclâmpsia, com destaque para random forest e algoritmos do tipo boosting. No entanto, o desempenho de calibração não foi relatado na maioria das publicações, e pesquisas futuras devem comparar algoritmos de machine learning e modelos de regressão clássica usando as mesmas amostras e métricas de avaliação, além de realizar validação externa para compreender a generalização.

O que o estudo mostrou

Revisão sistemática que recuperou 9382 estudos e incluiu 82 publicações. Publicações relataram exclusivamente modelos de regressão clássica; outras relataram apenas algoritmos de machine learning; e um conjunto comparou ambos na mesma amostra, com a maioria dos achados favorável ao machine learning. Random forest (AUC = 0,94, IC 95% 0,91-0,96) e extreme gradient boosting (AUC = 0,92, IC 95% 0,90-0,94) tiveram o melhor desempenho. O resumo não informa detalhes adicionais sobre desenho ou amostra dos estudos incluídos.

Limitações

O resumo não informa as limitações discutidas pelos autores nem detalhes metodológicos dos estudos incluídos. A maioria das publicações não relatou desempenho de calibração, e os autores apontam a necessidade de comparar algoritmos de machine learning e modelos de regressão clássica nas mesmas amostras e com as mesmas métricas, além de validação externa para avaliar a generalização.

Aplicação no consultório

Para o médico, a revisão sugere que algoritmos de machine learning, especialmente random forest e boosting, podem oferecer melhor desempenho preditivo para pré-eclâmpsia do que modelos de regressão clássica, mas a ausência de relato de calibração na maioria dos estudos e a necessidade de validação externa limitam a aplicação imediata na rotina. Na gestão do consultório, isso reforça a cautela antes de incorporar ferramentas preditivas à prática e a importância de verificar validação e calibração dos modelos adotados.

Estudo citado

Machine Learning Algorithms Versus Classical Regression Models in Pre-Eclampsia Prediction: A Systematic Review. Current hypertension reports, 2024.
Autores: Tiruneh SA, Vu TTT, Rolnik DL, Teede HJ, Enticott J.
DOI: 10.1007/s11906-024-01297-1 · PubMed: PMID 38806766

Perguntas para aprofundar

• Quais fatores prognósticos são mais usados na predição de pré-eclâmpsia?
• Como random forest e boosting se comparam na predição de pré-eclâmpsia?
• Por que a validação externa é necessária antes de usar algoritmos de machine learning na prática clínica?

Mais sobre Regulação e validação clínica de IA

• Modelos de machine learning para prever pré-eclâmpsia realmente funcionam na prática clínica?
• Modelos de machine learning são capazes de prever mortalidade neonatal com boa acurácia e quais são as limitações metodológicas desses estudos?
• Modelos de aprendizado de máquina são confiáveis para prever tromboembolismo venoso em pacientes hospitalizados?
• Modelos de machine learning com multiômica são confiáveis para estratificar risco de AVC na prática clínica?
• Modelos de radiômica em ressonância magnética predizem a eficácia da ablação por HIFU em miomas uterinos?

Todas as perguntas sobre Regulação e validação clínica de IA · Todos os temas · Versão em markdown