# Modelos de aprendizado de máquina são confiáveis para prever desfechos após TAVI?

> Revisão sistemática com meta-análise mostrou que modelos de aprendizado de máquina para desfechos após TAVI têm desempenho de adequado a excelente, com C-statistic de 0,81 para mortalidade precoce, 0,76 para mortalidade em 1 ano e 0,75 para implante de marca-passo permanente. Contudo, há preocupações metodológicas e de transparência que exigem melhor padronização de relato.

Estudo citado: Jacquemyn X, Van Onsem E, Dufendach K, Brown JA, Kliner D, Toma C et al.. Machine-learning approaches for risk prediction in transcatheter aortic valve implantation: Systematic review and meta-analysis. The Journal of thoracic and cardiovascular surgery. 2025. DOI: https://doi.org/10.1016/j.jtcvs.2024.05.017. PubMed: https://pubmed.ncbi.nlm.nih.gov/38815806/

## Resposta

A revisão sistemática com meta-análise identificou estudos que desenvolveram 76 modelos de aprendizado de máquina para prever desfechos adversos após implante transcateter de valva aórtica (TAVI), envolvendo 118.153 pacientes. Os algoritmos empregados foram variados, e o desempenho preditivo dos modelos foi classificado em categorias: 11,8% inadequado (C-statistic <0,60), 26,3% adequado (0,60-0,70), 31,6% aceitável (0,70-0,80) e 30,3% excelente (>0,80).

As meta-análises mostraram desempenho preditivo excelente para mortalidade precoce (C-statistic 0,81; IC 95% 0,65-0,91), aceitável para mortalidade em 1 ano (0,76; IC 95% 0,67-0,84) e aceitável para implante de marca-passo permanente (0,75; IC 95% 0,51-0,90). Esses resultados sugerem potencial utilidade clínica dos modelos, mas a heterogeneidade dos intervalos de confiança, especialmente para marca-passo, indica cautela na aplicação indiscriminada.

Os autores avaliaram a qualidade metodológica e a transparência dos estudos, identificando preocupações relevantes. A adesão às diretrizes de relato e a transparência dos modelos foram insuficientes, o que limita a reprodutibilidade e a validação externa. O risco de viés foi avaliado com a ferramenta Prediction Model Risk of Bias Assessment Tool (PROBAST), e os resultados completos dessa avaliação não são detalhados no resumo.

Para o médico que atua em cardiologia estrutural, os achados indicam que modelos de aprendizado de máquina podem auxiliar na estratificação de risco pré-TAVI, mas a implementação na prática clínica requer validação local e atenção às limitações metodológicas. A escolha de um modelo deve considerar não apenas o C-statistic, mas também a população de desenvolvimento, as variáveis utilizadas e a transparência do relato.

A revisão reforça a necessidade de padronização no relato de modelos de inteligência artificial em cardiologia estrutural, para que a promessa de melhor predição se traduza em decisões clínicas mais seguras e personalizadas.

## O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu estudos com 118.153 pacientes e 76 modelos de aprendizado de máquina para predição de desfechos após TAVI. O desempenho preditivo variou: 11,8% inadequado, 26,3% adequado, 31,6% aceitável e 30,3% excelente. As meta-análises mostraram C-statistic de 0,81 para mortalidade precoce, 0,76 para mortalidade em 1 ano e 0,75 para implante de marca-passo permanente. Os autores identificaram preocupações metodológicas e de transparência nos estudos incluídos.

## Limitações

O resumo não informa detalhes sobre a população dos estudos, os algoritmos específicos utilizados, os critérios de validação ou o risco de viés individual. A heterogeneidade entre os modelos e a falta de padronização no relato limitam a generalização dos achados. O resumo também não descreve a avaliação completa com a ferramenta PROBAST, nem se os modelos foram validados externamente.

## Aplicação no consultório

Os modelos de aprendizado de máquina podem ser ferramentas auxiliares na estratificação de risco de pacientes candidatos a TAVI, mas o médico deve interpretar seus resultados com cautela, considerando as limitações metodológicas e a necessidade de validação local. Na gestão do consultório, é importante avaliar a transparência e a reprodutibilidade dos modelos antes de incorporá-los à rotina, além de manter o julgamento clínico como central na decisão terapêutica.

## Perguntas para aprofundar

- Qual é o desempenho dos modelos de aprendizado de máquina na predição de mortalidade precoce após TAVI?
- Quais são as principais limitações metodológicas dos modelos de aprendizado de máquina para TAVI?
- Como aplicar os modelos de aprendizado de máquina na estratificação de risco pré-TAVI na prática clínica?

Tema: Regulação e validação clínica de IA. Página: https://alphadoctor.com.br/ciencia/ia-regulacao-validacao/modelos-de-aprendizado-de-maquina-sao-confiaveis-para-prever-desfechos-apos-tavi/

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