Regulação e validação clínica de IA

O machine learning é superior aos métodos tradicionais para prever desfechos clínicos em neurocirurgia cerebrovascular e endovascular?

Resposta

Esta revisão sistemática com meta-análise reuniu a literatura sobre o uso de machine learning para predição de desfechos clínicos em neurocirurgia cerebrovascular e endovascular. Foram incluídos estudos originais de pacientes submetidos a cirurgias cerebrovasculares ou procedimentos endovasculares que desenvolveram um modelo supervisionado de machine learning para prever desfecho pós-operatório ou complicação.

No total, 60 estudos prevendo 71 desfechos foram incluídos. A maioria das coortes era proveniente de instituições únicas (66,7%). Os estudos abordaram acidente vascular cerebral (32), hemorragia subaracnóidea (16), aneurisma não roto (7), malformação arteriovenosa (4) e malformação cavernosa (1). O random forest foi o modelo com melhor desempenho em 12 estudos (20%), seguido pelo XGBoost (13,3%).

Entre 42 estudos que compararam o modelo de machine learning com um modelo estatístico padrão, o machine learning foi superior em 33 (78,6%). Entre 10 estudos que o compararam com um modelo clínico de predição não baseado em machine learning, foi superior em nove (90%). A validação externa foi realizada em 10 estudos (16,7%).

Nos estudos que previram desfecho funcional após trombectomia mecânica, a área sob a curva ROC agrupada do desempenho no conjunto de teste foi de 0,84 (IC 95% 0,79 a 0,88). Para estudos que previram desfechos após hemorragia subaracnóidea, as áreas sob a curva ROC agrupadas para desfechos funcionais e para isquemia cerebral tardia foram de 0,89 (IC 95% 0,76 a 0,95) e 0,90 (IC 95% 0,66 a 0,98), respectivamente.

Os autores concluem que o machine learning apresenta desempenho favorável para predição de desfechos clínicos nesse contexto, mas destacam a necessidade de estudos multicêntricos com validação externa para assegurar a generalização dos achados.

O que o estudo mostrou

Revisão sistemática com meta-análise que incluiu 60 estudos prevendo 71 desfechos, a maioria com coortes de instituições únicas (66,7%). Abrangeu acidente vascular cerebral, hemorragia subaracnóidea, aneurisma não roto, malformação arteriovenosa e malformação cavernosa. O random forest foi o melhor modelo em 12 estudos (20%), seguido pelo XGBoost (13,3%). O machine learning foi superior ao modelo estatístico padrão em 33 de 42 estudos (78,6%) e ao modelo clínico não baseado em machine learning em nove de 10 (90%). A validação externa ocorreu em 10 estudos (16,7%). As áreas sob a curva ROC agrupadas foram de 0,84 para desfecho funcional após trombectomia mecânica, 0,89 para desfecho funcional após hemorragia subaracnóidea e 0,90 para isquemia cerebral tardia.

Limitações

O resumo não informa detalhes sobre o desenho individual dos estudos incluídos, os critérios de risco de viés ou a presença de heterogeneidade entre as coortes. A maioria das coortes proveio de instituições únicas e a validação externa foi realizada em apenas 10 estudos (16,7%), o que limita a conclusão sobre a generalização dos modelos para outras populações e serviços. O resumo também não informa o tamanho amostral total dos pacientes incluídos.

Aplicação no consultório

Os achados sugerem que modelos de machine learning podem apoiar a predição de desfechos em neurocirurgia cerebrovascular e endovascular, mas a aplicação clínica exige cautela, pois a validação externa ainda é limitada. Na prática e na gestão do consultório, isso reforça a necessidade de avaliar se o modelo foi validado na população local antes de incorporá-lo à rotina, além de considerar a infraestrutura de dados e a governança necessárias para seu uso seguro.

Estudo citado

Machine learning for clinical outcome prediction in cerebrovascular and endovascular neurosurgery: systematic review and meta-analysis. Journal of neurointerventional surgery, 2025.
Autores: Hoffman H, Sims JJ, Inoa-Acosta V, Hoit D, Arthur AS, Draytsel DY, Kim Y, Goyal N.
DOI: 10.1136/jnis-2024-021759 · PubMed: PMID 38772570

Perguntas para aprofundar

• Quais modelos de machine learning tiveram melhor desempenho na predição de desfechos em neurocirurgia cerebrovascular?
• Qual é o desempenho do machine learning na predição de desfecho funcional após trombectomia mecânica?
• A validação externa dos modelos de machine learning em neurocirurgia cerebrovascular é suficiente para uso clínico?

Mais sobre Regulação e validação clínica de IA

• Modelos de radiômica em ressonância magnética predizem a eficácia da ablação por HIFU em miomas uterinos?
• A inteligência artificial e o aprendizado de máquina são eficazes para prever desfechos clínicos após artroscopia de quadril para síndrome do impacto femoroacetabular?
• Modelos de aprendizado de máquina são superiores aos escores clínicos tradicionais na predição precoce de mortalidade na síndrome do desconforto respiratório agudo?
• Modelos de aprendizado de máquina são confiáveis para prever desfechos após TAVI?
• Como a inteligência artificial e o aprendizado de máquina podem ser aplicados à diálise peritoneal na prática clínica?

Todas as perguntas sobre Regulação e validação clínica de IA · Todos os temas · Versão em markdown