# Modelos de machine learning são capazes de prever mortalidade neonatal com boa acurácia e quais são as limitações metodológicas desses estudos?

> Uma revisão sistemática de 11 estudos com 1,26 milhão de neonatos mostrou que modelos de machine learning podem prever mortalidade neonatal com AUC variando de 58,3% a 97,0%. No entanto, poucos estudos realizaram validação externa ou análise de calibração, limitando a aplicabilidade clínica imediata.

Estudo citado: Mangold C, Zoretic S, Thallapureddy K, Moreira A, Chorath K, Moreira A. Machine Learning Models for Predicting Neonatal Mortality: A Systematic Review. Neonatology. 2021. DOI: https://doi.org/10.1159/000516891. PubMed: https://pubmed.ncbi.nlm.nih.gov/34261070/

## Resposta

A revisão sistemática analisou 11 estudos que desenvolveram modelos de inteligência artificial para predição de morte neonatal. A população total foi de 1,26 milhão de neonatos, com idades gestacionais de 22 semanas a termo. O número de variáveis preditoras variou de 3 a 66, e o momento da predição foi desde 5 minutos de vida até 7 dias de idade.

Os modelos mais utilizados foram rede neural, random forest e regressão logística, correspondendo a 58,3% dos modelos. O desempenho foi avaliado principalmente pela área sob a curva ROC (AUC), que variou de 58,3% a 97,0%. As sensibilidades médias ficaram entre 63% e 80%, e as especificidades entre 78% e 99%. O melhor modelo geral foi a análise discriminante linear, mas com 17 variáveis.

Apenas 5 estudos (45,5%) relataram curvas de calibração e 2 (18,2%) realizaram validação externa. Essas limitações são importantes, pois a calibração e a validação externa são essenciais para garantir a generalização dos modelos para outras populações e contextos clínicos.

Os autores concluem que modelos de machine learning podem predizer com acurácia a morte neonatal, mas destacam a necessidade de estudos futuros com foco em validação externa, calibração e implementação de aplicações acessíveis aos profissionais de saúde. A heterogeneidade dos estudos e a falta de padronização nas métricas de avaliação também foram observadas.

## O que o estudo mostrou

Revisão sistemática que incluiu 11 estudos, com 1,26 milhão de participantes e idades gestacionais de 22 semanas a termo. Os modelos de machine learning mais usados foram rede neural, random forest e regressão logística. A AUC variou de 58,3% a 97,0%, com sensibilidades de 63% a 80% e especificidades de 78% a 99%. Apenas 5 estudos relataram calibração e 2 realizaram validação externa.

## Limitações

O resumo não informa o desenho detalhado dos estudos incluídos, nem as limitações individuais de cada um. A heterogeneidade das populações e das variáveis preditoras pode comprometer a comparabilidade. A maioria dos estudos não realizou validação externa ou calibração, o que limita a generalização dos resultados. O resumo também não informa a qualidade metodológica dos estudos incluídos.

## Aplicação no consultório

Os achados sugerem que modelos de machine learning podem auxiliar na identificação precoce de neonatos com maior risco de morte, potencialmente orientando decisões clínicas e alocação de recursos. No entanto, a ausência de validação externa e calibração adequada limita a aplicação imediata na prática clínica. O médico deve interpretar esses modelos com cautela e considerar a necessidade de validação local antes de incorporá-los à rotina do consultório ou à gestão de serviços neonatais.

## Perguntas para aprofundar

- Quais são os preditores mais importantes para mortalidade neonatal em modelos de machine learning?
- Como a validação externa e a calibração impactam a confiabilidade dos modelos preditivos em neonatologia?
- Quais métricas de desempenho devem ser priorizadas ao avaliar modelos de IA para mortalidade neonatal?

Tema: Regulação e validação clínica de IA. Página: https://alphadoctor.com.br/ciencia/ia-regulacao-validacao/modelos-de-machine-learning-sao-capazes-de-prever-mortalidade-neonatal-com-boa/

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