# Modelos de regressão tradicional e de aprendizado de máquina têm desempenho semelhante na predição de hipertensão?

> Sim. Em meta-análise de 32 estudos, a estatística C agrupada foi 0,75 para modelos de regressão tradicional e 0,76 para modelos de aprendizado de máquina, sem diferença expressiva. A heterogeneidade foi alta e poucos modelos foram validados externamente, limitando a aplicação clínica imediata.

Estudo citado: Chowdhury MZI, Naeem I, Quan H, Leung AA, Sikdar KC, O'Beirne M et al.. Prediction of hypertension using traditional regression and machine learning models: A systematic review and meta-analysis. PloS one. 2022. DOI: https://doi.org/10.1371/journal.pone.0266334. PubMed: https://pubmed.ncbi.nlm.nih.gov/35390039/

## Resposta

A hipertensão é um problema de saúde pública e a predição de risco pode auxiliar estratégias preventivas. Este estudo teve como objetivo identificar modelos de predição de risco de hipertensão desenvolvidos com regressão tradicional ou aprendizado de máquina e comparar seu desempenho preditivo.

Foi realizada uma revisão sistemática com busca em múltiplas bases e literatura cinzenta, incluindo estudos que predizem o risco de hipertensão na população adulta geral. A medida de desempenho foi a estatística C, e uma meta-análise de efeitos aleatórios foi usada para obter estimativas agrupadas. A qualidade dos estudos foi avaliada com a ferramenta PROBAST.

Foram incluídos 52 artigos na revisão sistemática e 32 na meta-análise. A estatística C agrupada foi 0,75 (intervalo de confiança 0,73-0,77) para modelos de regressão tradicional e 0,76 (intervalo de confiança 0,72-0,79) para modelos de aprendizado de máquina. Observou-se alta heterogeneidade. Em modelos de regressão, idade (p = 0,011), sexo (p = 0,044) e número de fatores de risco (p = 0,001) foram fontes de heterogeneidade.

Os autores concluem que muitos modelos apresentaram desempenho preditivo aceitável a bom, mas poucos foram validados externamente e o risco de viés e a aplicabilidade foram preocupantes em muitos estudos. A discriminação geral foi semelhante entre os dois tipos de modelagem. Mais estudos de validação externa e de impacto são necessários para implementar modelos de predição de hipertensão na prática clínica.

Para o médico, os resultados sugerem que a escolha entre regressão tradicional e aprendizado de máquina pode não ser o fator determinante do desempenho, e que a validação e a aplicabilidade clínica devem ser priorizadas antes da adoção rotineira.

## O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu 52 artigos na revisão e 32 na meta-análise, com o objetivo de comparar o desempenho preditivo de modelos de regressão tradicional e de aprendizado de máquina para hipertensão na população adulta geral. A estatística C agrupada foi 0,75 (intervalo de confiança 0,73-0,77) para modelos de regressão e 0,76 (intervalo de confiança 0,72-0,79) para aprendizado de máquina. Houve alta heterogeneidade, com idade, sexo e número de fatores de risco como fontes em modelos de regressão. Poucos modelos foram validados externamente e o risco de viés foi preocupante em muitos estudos.

## Limitações

O resumo não informa detalhes sobre a população exata, os critérios de inclusão ou as características dos modelos. A alta heterogeneidade limita a interpretação das estimativas agrupadas. O resumo também não informa quantos estudos tiveram validação externa nem a magnitude do risco de viés. Além disso, não são fornecidos dados sobre calibração ou análise de impacto clínico, apenas discriminação.

## Aplicação no consultório

Os achados indicam que, ao considerar um modelo de predição de hipertensão para uso no consultório, o médico deve verificar se ele foi validado externamente e se apresenta baixo risco de viés, pois o tipo de algoritmo (regressão ou aprendizado de máquina) não garantiu melhor discriminação. A gestão do consultório pode se beneficiar da incorporação de ferramentas validadas para estratificação de risco, mas a implementação deve aguardar estudos de impacto que demonstrem benefício clínico.

## Perguntas para aprofundar

- Quais são as limitações metodológicas dos modelos de predição de hipertensão atualmente disponíveis?
- Como a validação externa influencia a aplicabilidade clínica de modelos de predição de hipertensão?
- Que fatores devem ser considerados ao escolher um modelo de predição de hipertensão para uso na prática clínica?

Tema: Regulação e validação clínica de IA. Página: https://alphadoctor.com.br/ciencia/ia-regulacao-validacao/modelos-de-regressao-tradicional-e-de-aprendizado-de-maquina-tem-desempenho/

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