# 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?

> 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.

Estudo citado: Yu MY, Yoo HY, Han GI, Kim EJ, Son YJ. 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. DOI: https://doi.org/10.2196/76215. PubMed: https://pubmed.ncbi.nlm.nih.gov/40680235/

## 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.

## 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?

Tema: Regulação e validação clínica de IA. Página: https://alphadoctor.com.br/ciencia/ia-regulacao-validacao/modelos-de-aprendizado-de-maquina-superam-escores-de-risco-convencionais-na/

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