# Modelos de inteligência artificial para análise de sons pulmonares pediátricos têm bom desempenho diagnóstico?

> Sim, modelos de aprendizado de máquina mostram alta acurácia na detecção de sons pulmonares anormais em crianças, com sensibilidade e especificidade agrupadas elevadas. Porém, a heterogeneidade dos conjuntos de dados e a falta de validação externa limitam a aplicação clínica imediata.

Estudo citado: Park JS, Park SY, Moon JW, Kim K, Suh DI. Artificial Intelligence Models for Pediatric Lung Sound Analysis: Systematic Review and Meta-Analysis. Journal of medical Internet research. 2025. DOI: https://doi.org/10.2196/66491. PubMed: https://pubmed.ncbi.nlm.nih.gov/40249944/

## Resposta

A revisão sistemática com meta-análise avaliou o desempenho de modelos de aprendizado de máquina na classificação de sons pulmonares pediátricos. Foram incluídos 41 estudos que desenvolveram modelos com padrão de referência definido por médicos e métricas de desempenho reportadas. A tarefa mais comum foi a detecção binária de sons anormais, especialmente sibilância.

Os resultados agrupados mostraram sensibilidade de 0,902 e especificidade de 0,955 para detecção de sibilância. Para detecção de sons pulmonares anormais em geral, a sensibilidade agrupada foi de 0,907 e a especificidade de 0,877. Esses achados sugerem que os modelos têm potencial para auxiliar na ausculta, que é subjetiva e variável.

As técnicas de extração de características mais usadas foram Mel-espectrograma, coeficientes cepstrais de frequência Mel e transformada de Fourier de curto tempo. As redes neurais convolucionais foram o modelo predominante, frequentemente combinadas com redes neurais recorrentes ou arquiteturas residuais. No entanto, houve alta heterogeneidade no tamanho dos conjuntos de dados, nos métodos de anotação e nos critérios de avaliação.

A maioria dos estudos utilizou conjuntos de dados pequenos e de centro único, o que limita a generalização dos resultados. Além disso, a falta de diretrizes padronizadas e de validação externa são barreiras para a implementação clínica. O resumo não informa detalhes sobre a população pediátrica específica ou sobre a comparabilidade entre os estudos.

Para o médico, esses achados indicam que a tecnologia ainda não está pronta para substituir a ausculta tradicional, mas pode se tornar uma ferramenta de apoio nos próximos anos. A aplicação no consultório exige cautela e depende de mais pesquisas com protocolos padronizados e dados multicêntricos.

## O que o estudo mostrou

Revisão sistemática e meta-análise de 41 estudos que desenvolveram modelos de aprendizado de máquina para classificação de sons pulmonares pediátricos. A detecção de sibilância teve sensibilidade agrupada de 0,902 e especificidade de 0,955; para sons anormais, sensibilidade de 0,907 e especificidade de 0,877. As técnicas mais usadas foram Mel-espectrograma, coeficientes cepstrais de frequência Mel e transformada de Fourier de curto tempo, com predomínio de redes neurais convolucionais. Houve alta heterogeneidade entre os estudos.

## Limitações

O resumo não informa a qualidade metodológica individual dos estudos incluídos, nem detalhes sobre a população pediátrica (faixas etárias, condições clínicas). A maioria dos estudos usou conjuntos de dados pequenos e de centro único, limitando a generalização. Não há informação sobre validação externa dos modelos. A heterogeneidade nos métodos de anotação e critérios de avaliação dificulta a comparação direta entre os resultados.

## Aplicação no consultório

Os achados ainda não permitem incorporar esses modelos na prática clínica diária, pois faltam validação externa e padronização. O médico deve manter a ausculta como padrão e considerar a tecnologia como promissora, mas não validada. Para gestão do consultório, investir em estetoscópios digitais com IA requer cautela até que diretrizes e estudos multicêntricos estejam disponíveis. A capacitação da equipe para interpretar resultados de IA também é necessária.

## Perguntas para aprofundar

- Qual é a acurácia dos modelos de IA para detectar pneumonia em crianças por meio de sons pulmonares?
- Como a heterogeneidade dos conjuntos de dados afeta a validade externa dos modelos de IA em pneumologia pediátrica?
- Quais são os desafios regulatórios para incorporar estetoscópios digitais com IA na prática clínica no Brasil?

Tema: Regulação e validação clínica de IA. Página: https://alphadoctor.com.br/ciencia/ia-regulacao-validacao/modelos-de-inteligencia-artificial-para-analise-de-sons-pulmonares-pediatricos/

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