# Modelos de aprendizado de máquina superam o escore PHASES na predição de ruptura de aneurismas intracranianos?

> Segundo esta revisão sistemática com meta-análise, modelos de aprendizado de máquina apresentaram especificidade e AUC superiores ao PHASES, com sensibilidade comparável. O aprendizado profundo mostrou desempenho ligeiramente melhor na validação externa. A inclusão de parâmetros hemodinâmicos melhorou a especificidade nos conjuntos de teste, mas não na validação externa.

Estudo citado: Maroufi SF, Pachón-Londoño MJ, Ghoche M, Nguyen BA, Turcotte EL, Wang Z et al.. Machine Learning-Based Rupture Risk Prediction for Intracranial Aneurysms: A Systematic Review and Meta-Analysis. Neurosurgery. 2025. DOI: https://doi.org/10.1227/neu.0000000000003531. PubMed: https://pubmed.ncbi.nlm.nih.gov/40444989/

## Resposta

A predição do risco de ruptura de aneurismas intracranianos continua imprecisa, o que expõe pacientes tanto ao tratamento excessivo quanto ao subtratamento. Esta revisão sistemática com meta-análise reuniu estudos que aplicaram ferramentas de aprendizado de máquina para prever esse risco e comparou o desempenho com o escore PHASES, amplamente utilizado na prática.

Os estudos incluídos somaram 22 462 pacientes, empregando 124 modelos e 25 algoritmos. Entre os modelos, o aprendizado profundo apresentou perfil de desempenho ligeiramente melhor na validação externa, com sensibilidade de 0,792, especificidade de 0,788 e acurácia de 0,778. Os diferentes algoritmos tiveram desempenho diagnóstico comparável entre si.

Na comparação com o PHASES, o aprendizado de máquina, independentemente do algoritmo, mostrou sensibilidade comparável (0,743 vs 0,771, P = .60) e especificidade maior (0,763 vs 0,507, P < .01). A área sob a curva ROC também foi superior para os modelos de aprendizado de máquina (0,84 vs 0,64, P < .01), considerando 60 modelos e 5 conjuntos de dados do PHASES.

O uso de parâmetros hemodinâmicos como entrada dos modelos aumentou a especificidade nos conjuntos de teste, sem alteração significativa da sensibilidade. Esse ganho, porém, não foi observado nos conjuntos de validação externa. Os autores concluem que a técnica tem potencial para aprimorar a predição, mas ressaltam a necessidade de estudos prospectivos para validar a utilidade clínica dos modelos.

## O que o estudo mostrou

Revisão sistemática de PubMed, Scopus e Web of Science, com 22 462 pacientes e 124 modelos de aprendizado de máquina usando 25 algoritmos. O aprendizado profundo teve sensibilidade de 0,792, especificidade de 0,788 e acurácia de 0,778 na validação externa. Comparado ao PHASES, o aprendizado de máquina teve sensibilidade comparável (0,743 vs 0,771, P = .60), especificidade maior (0,763 vs 0,507, P < .01) e AUC maior (0,84 vs 0,64, P < .01).

## Limitações

O resumo não informa detalhes sobre o desenho individual dos estudos incluídos, critérios de seleção ou risco de viés. Os autores destacam que são necessários estudos prospectivos para validar a utilidade dos modelos de aprendizado de máquina para integração clínica, indicando que a evidência atual ainda não sustenta aplicação rotineira.

## Aplicação no consultório

Os achados sugerem que ferramentas de aprendizado de máquina podem refinar a estratificação de risco de ruptura em relação ao PHASES, especialmente pela maior especificidade, o que pode reduzir tratamentos desnecessários. Na gestão do consultório, isso reforça a importância de acompanhar a validação prospectiva desses modelos antes de incorporá-los à rotina decisória, mantendo o julgamento clínico e discutindo com o paciente as limitações das ferramentas disponíveis.

## Perguntas para aprofundar

- Como o aprendizado de máquina se compara ao escore PHASES na predição de ruptura de aneurismas intracranianos?
- Parâmetros hemodinâmicos melhoram o desempenho de modelos de aprendizado de máquina na predição de ruptura aneurismática?
- Quais são as limitações atuais para integrar modelos de aprendizado de máquina à prática clínica no manejo de aneurismas intracranianos?

Tema: Regulação e validação clínica de IA. Página: https://alphadoctor.com.br/ciencia/ia-regulacao-validacao/modelos-de-aprendizado-de-maquina-superam-o-escore-phases-na-predicao-de/

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