Modelos de aprendizado de máquina superam escores de risco convencionais na predição de eventos cardiovasculares e cerebrovasculares maiores após intervenção coronária percutânea em pacientes com infarto agudo do miocárdio?
Resposta curta: Segundo esta revisão sistemática com meta-análise, modelos de aprendizado de máquina apresentaram melhor desempenho discriminatório que escores convencionais, como GRACE e TIMI, na predição de mortalidade em pacientes com infarto agudo do miocárdio submetidos a intervenção coronária percutânea, embora a heterogeneidade entre os estudos tenha sido alta.
Resposta
Esta revisão sistemática com meta-análise comparou o desempenho de modelos de aprendizado de máquina e de escores de risco convencionais, como o TIMI e o GRACE, na predição de eventos cardiovasculares e cerebrovasculares maiores em pacientes com infarto agudo do miocárdio submetidos a intervenção coronária percutânea. A pergunta é relevante para a prática clínica porque a estratificação de risco orienta decisões de monitorização e de seguimento após o procedimento.
Os autores buscaram estudos em nove bases acadêmicas e eletrônicas, abrangendo publicações de janeiro de 2010 a dezembro de 2024. Foram incluídos trabalhos com pacientes com infarto agudo do miocárdio submetidos a intervenção coronária percutânea que usaram algoritmos de aprendizado de máquina ou escores convencionais para prever o risco de eventos. A busca resultou em 10 estudos retrospectivos, com tamanho amostral total de 89.702 indivíduos, e a maioria foi avaliada com baixo risco global de viés.
Os algoritmos de aprendizado de máquina mais usados foram random forest e regressão logística, enquanto os escores convencionais mais usados foram GRACE e TIMI. O componente de eventos mais comum foi mortalidade em 1 ano, seguido de mortalidade em 30 dias e mortalidade intra-hospitalar. Na meta-análise, os modelos de aprendizado de máquina apresentaram área sob a curva ROC de 0,88 (IC 95% 0,86-0,90), superior à dos escores convencionais, de 0,79 (IC 95% 0,75-0,84).
Os preditores mais bem classificados de mortalidade, tanto nos modelos de aprendizado de máquina quanto nos escores convencionais, foram idade, pressão arterial sistólica e classe de Killip. Os autores destacam que os preditores mais usados se restringiram a características clínicas não modificáveis e defendem a incorporação de fatores modificáveis, incluindo variáveis psicossociais e comportamentais, aos modelos de predição de eventos após intervenção coronária percutânea.
A conclusão é que os modelos de aprendizado de máquina tiveram desempenho discriminatório superior ao dos escores convencionais. A heterogeneidade entre os estudos foi alta, e os autores recomendam que os profissionais de saúde compreendam as vantagens e limitações de ambas as abordagens antes de aplicá-las na prática clínica. Também apontam a necessidade de estudos prospectivos multicêntricos com validação externa para superar as limitações de validação identificadas.
O que o estudo mostrou
Trata-se de revisão sistemática com meta-análise de 10 estudos retrospectivos, com 89.702 indivíduos, que compararam modelos de aprendizado de máquina e escores convencionais para predizer eventos cardiovasculares e cerebrovasculares maiores após intervenção coronária percutânea no infarto agudo do miocárdio. Os modelos de aprendizado de máquina tiveram área sob a curva ROC de 0,88 (IC 95% 0,86-0,90), contra 0,79 (IC 95% 0,75-0,84) dos escores convencionais, com heterogeneidade alta. Idade, pressão arterial sistólica e classe de Killip foram os principais preditores.
Limitações
A heterogeneidade entre os estudos foi alta, o que limita a interpretação do resultado agrupado. Todos os estudos incluídos eram retrospectivos, e os autores apontam a necessidade de estudos prospectivos multicêntricos com validação externa. O resumo não informa detalhes sobre a população específica de cada estudo nem sobre a padronização das definições de eventos entre os trabalhos.
Aplicação no consultório
Os achados reforçam que modelos de aprendizado de máquina podem discriminar melhor o risco de eventos que escores convencionais, mas o médico deve conhecer as vantagens e limitações de cada ferramenta antes de incorporá-la à rotina. Na gestão do consultório, isso implica cautela na escolha de sistemas de apoio à decisão e na interpretação de suas saídas, além de considerar a inclusão de fatores modificáveis, como variáveis psicossociais e comportamentais, no acompanhamento pós-procedimento.
Estudo citado
Comparing the Performance of Machine Learning Models and Conventional Risk Scores for Predicting Major Adverse Cardiovascular Cerebrovascular Events After Percutaneous Coronary Intervention in Patients With Acute Myocardial Infarction: Systematic Review and Meta-Analysis. Journal of medical Internet research, 2025.
Autores: Yu MY, Yoo HY, Han GI, Kim EJ, Son YJ.
DOI: 10.2196/76215 · PubMed: PMID 40680235
Perguntas para aprofundar
- Como o aprendizado de máquina se compara ao escore GRACE na predição de mortalidade após intervenção coronária percutânea?
- Quais preditores são mais relevantes nos modelos de predição de eventos após intervenção coronária percutânea no infarto agudo do miocárdio?
- Quais limitações de validação ainda impedem a aplicação clínica rotineira desses modelos de aprendizado de máquina?
Mais sobre Regulação e validação clínica de IA
- Modelos de aprendizado de máquina são confiáveis para prever desfechos após TAVI?
- A radiômica com aprendizado de máquina é confiável para estratificação de risco pré-operatório do câncer de bexiga?
- Modelos de aprendizado de máquina são confiáveis para prever tromboembolismo venoso em pacientes hospitalizados?
- Modelos de aprendizado de máquina superam o escore PHASES na predição de ruptura de aneurismas intracranianos?
- Modelos de aprendizado de máquina são superiores aos escores clínicos tradicionais na predição precoce de mortalidade na síndrome do desconforto respiratório agudo?
Todas as perguntas sobre Regulação e validação clínica de IA · Todos os temas · Versão em markdown