# Modelos de machine learning com multiômica são confiáveis para estratificar risco de AVC na prática clínica?

> A revisão sistemática identificou 7 estudos com 40.274 participantes, publicados entre 2022 e 2025. Os modelos de machine learning com multiômica mostraram alta discriminação aparente (AUC de 0,75 a 0,97), mas a evidência é metodologicamente limitada por amostras pequenas, designs heterogêneos e relato incompleto, dificultando a reprodutibilidade e a generalização para a prática clínica.

Estudo citado: Yoo HY, Shin H, Kim EJ, Son YJ. Machine Learning for Predicting Stroke Risk Stratification Using Multiomics Data: Systematic Review. Journal of medical Internet research. 2026. DOI: https://doi.org/10.2196/85654. PubMed: https://pubmed.ncbi.nlm.nih.gov/41711384/

## Resposta

A revisão sistemática avaliou modelos de machine learning que utilizam dados multiômicos para estratificação de risco de AVC. Foram incluídos 7 estudos, com um total de 40.274 participantes, publicados entre 2022 e 2025. Todos os estudos combinaram 2 camadas ômicas, principalmente com integração de nível médio, usando pares como metabolômica-proteômica e metabolômica-lipidômica.

Os algoritmos de aprendizado supervisionado incluíram máquinas de vetores de suporte, conjuntos baseados em árvores, modelos lineares generalizados e arquiteturas de aprendizado profundo. As áreas sob a curva ROC variaram conforme a tarefa de predição: de 0,75 a 0,96 para modelos de diagnóstico agudo e de 0,75 a 0,97 para modelos de predição de risco de início. O melhor desempenho com validação externa foi obtido por uma máquina de vetores de suporte treinada com o par metabolômica-proteômica em tipos mistos de AVC (isquêmico e hemorrágico).

Apenas alguns estudos relataram validação externa do modelo multiômico integrado, e um estudo realizou apenas avaliação externa de um único marcador, não do modelo integrado. Alguns estudos relataram avaliação de calibração, e pontos de operação clinicamente pré-especificados raramente foram descritos. O risco de viés foi avaliado com a ferramenta Prediction Model Risk of Bias Assessment Tool, e a qualidade do relato foi avaliada com o Minimum Information for Medical AI Reporting.

Os autores concluem que, embora os modelos multiômicos de machine learning tenham mostrado alta discriminação aparente, a evidência atual permanece metodologicamente limitada. Tamanhos amostrais pequenos, designs heterogêneos e relato incompleto dificultam a reprodutibilidade e a generalização. Para avançar, futuros estudos devem adotar estruturas de avaliação resistentes a vazamento de dados, realizar validações externas específicas por local e comparar com modelos de uma única ômica e com referenciais clínicos para demonstrar valor incremental.

Assim, a aplicação clínica rotineira desses modelos ainda não está estabelecida. A revisão destaca a necessidade de investigações bem desenhadas e transparentes para que os modelos multiômicos de machine learning possam transitar da promessa exploratória para ferramentas clinicamente acionáveis no cuidado de precisão do AVC.

## O que o estudo mostrou

Revisão sistemática seguindo as recomendações PRISMA 2020, com busca em 9 bases de dados para estudos publicados de janeiro de 2000 a julho de 2025. Foram incluídos 7 estudos (n=40.274) publicados entre 2022 e 2025, todos combinando 2 camadas ômicas, principalmente com integração de nível médio. As AUC variaram de 0,75 a 0,96 para diagnóstico agudo e de 0,75 a 0,97 para predição de risco de início. Apenas alguns estudos relataram validação externa do modelo integrado, e alguns avaliaram calibração.

## Limitações

O resumo não informa detalhes sobre a população específica de cada estudo, os critérios de inclusão além dos descritos, ou a qualidade individual dos estudos. A revisão aponta que os próprios estudos incluídos têm tamanhos amostrais pequenos, designs heterogêneos e relato incompleto, o que limita a reprodutibilidade e a generalização dos achados. O número reduzido de estudos também restringe conclusões mais robustas.

## Aplicação no consultório

Os achados ainda não permitem incorporar modelos multiômicos de machine learning na rotina clínica para estratificação de risco de AVC. O médico deve interpretar com cautela resultados de modelos que não tenham validação externa e calibração adequadas. Na gestão do consultório, investir em coleta estruturada de dados e acompanhar a literatura sobre validação externa pode preparar o terreno para futuras ferramentas, mas a adoção precoce sem validação local não é justificada pelos dados atuais.

## Perguntas para aprofundar

- Quais são as limitações metodológicas dos modelos multiômicos de machine learning para predição de AVC?
- Como a validação externa e a calibração são reportadas nos estudos de machine learning com multiômica para AVC?
- O que falta para que modelos multiômicos de machine learning sejam aplicáveis na prática clínica de estratificação de risco de AVC?

Tema: Regulação e validação clínica de IA. Página: https://alphadoctor.com.br/ciencia/ia-regulacao-validacao/modelos-de-machine-learning-com-multiomica-sao-confiaveis-para-estratificar/

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