# Modelos de machine learning para prever pré-eclâmpsia realmente funcionam na prática clínica?

> A revisão sistemática com meta-análise mostra que modelos de machine learning para pré-eclâmpsia têm alta área sob a curva agrupada, mas com heterogeneidade extrema. A sensibilidade em validação externa cai, indicando que o desempenho interno pode não se transferir para populações diversas. São necessários estudos multicêntricos prospectivos de validação externa.

Estudo citado: Liu L, Zhu Q, Zong Y, Chen X, Zhang W, Wang J. Machine Learning Prediction Models for Preeclampsia: Systematic Review and Meta-Analysis. Journal of medical Internet research. 2026. DOI: https://doi.org/10.2196/78714. PubMed: https://pubmed.ncbi.nlm.nih.gov/41554533/

## Resposta

A pré-eclâmpsia é um distúrbio hipertensivo grave com prevalência global crescente. Modelos de machine learning (ML) para predição têm sido cada vez mais publicados, mas a evidência existente mostra alta heterogeneidade e não está clara a distinção entre desempenho interno e transferibilidade externa. Esta revisão sistemática com meta-análise avaliou o desempenho desses modelos e seu potencial valor clínico.

Foram incluídos 26 estudos com 31 modelos de ML. A área sob a curva ROC agrupada foi alta (0,91; IC 95% 0,87-0,92), porém com heterogeneidade extrema (I2>99%). O intervalo de predição de 95% para sensibilidade foi amplo (0,32-0,96), indicando que em alguns contextos externos a sensibilidade pode cair para 32%. Apenas 6 estudos realizaram validação externa; nesses, a sensibilidade agrupada diminuiu para 0,68, com intervalo de predição de 0,25-0,94.

Análises de subgrupo sugeriram que modelos incorporando biomarcadores laboratoriais e redes neurais superaram os demais, embora os intervalos de confiança se sobreponham. Os achados indicam que a alta área sob a curva reflete mais o desempenho no conjunto de dados interno de desenvolvimento do que a efetividade e utilidade clínica em populações independentes e diversas. O desempenho aparente exibe dependência contextual significativa.

Os autores concluem que estudos futuros devem realizar validação externa multicêntrica e prospectiva, além de recalibração, para melhorar a transferibilidade e confiabilidade dos modelos. Para o médico, isso significa cautela ao aplicar modelos de ML na prática clínica sem validação local adequada.

## O que o estudo mostrou

Revisão sistemática e meta-análise com 26 estudos e 31 modelos de ML para predição de pré-eclâmpsia. A área sob a curva ROC agrupada foi 0,91 (IC 95% 0,87-0,92), com heterogeneidade extrema (I2>99%). O intervalo de predição de 95% para sensibilidade foi 0,32-0,96. Apenas 6 estudos fizeram validação externa, com sensibilidade agrupada de 0,68 e intervalo de predição de 0,25-0,94. Modelos com biomarcadores laboratoriais e redes neurais tenderam a superar os demais, mas com intervalos de confiança sobrepostos.

## Limitações

O resumo não informa detalhes sobre as populações incluídas, os critérios de validação externa ou as limitações metodológicas dos estudos primários. A heterogeneidade extrema limita a interpretação das estimativas agrupadas. O número de estudos com validação externa é pequeno, e o resumo não permite concluir sobre a aplicabilidade dos modelos em diferentes contextos clínicos ou faixas de risco.

## Aplicação no consultório

O médico deve interpretar com cautela os resultados de modelos de ML para pré-eclâmpsia, pois o alto desempenho relatado pode não se reproduzir em sua população. Antes de incorporar tais ferramentas na rotina, é prudente verificar se o modelo foi validado externamente em contexto semelhante. Na gestão do consultório, isso implica evitar decisões baseadas apenas em métricas internas e considerar a necessidade de recalibração local. O resumo não fornece informações sobre custo ou implementação prática.

## Perguntas para aprofundar

- Como interpretar a alta heterogeneidade em meta-análises de modelos de machine learning para pré-eclâmpsia?
- Quais são os critérios mínimos para considerar um modelo de ML validado para uso clínico?
- Qual o impacto da validação externa no desempenho de modelos preditivos de pré-eclâmpsia?

Tema: Regulação e validação clínica de IA. Página: https://alphadoctor.com.br/ciencia/ia-regulacao-validacao/modelos-de-machine-learning-para-prever-pre-eclampsia-realmente-funcionam-na/

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