Regulação e validação clínica de IA

Quais aplicações de aprendizado de máquina já foram descritas no cuidado clínico de pessoas vivendo com HIV e em terapia antirretroviral?

Resposta

A revisão sistemática, conduzida segundo as diretrizes PRISMA 2020, buscou mapear o uso de aprendizado de máquina no cuidado de pessoas vivendo com HIV e em terapia antirretroviral, com foco em dados clínicos reais. Foram analisadas quatro bases até agosto de 2024, com triagem independente por três especialistas. Do total de 476 estudos identificados, 98 foram analisados em detalhe, o que indica um corpo de evidência já considerável, mas disperso entre diferentes problemas clínicos.

Os autores agruparam as aplicações em 6 grandes categorias: consideração de comorbidades, predição de resistência do vírus aos fármacos, monitoramento da própria infecção pelo HIV, predição de desfechos de tratamento, adesão ao tratamento e recomendação terapêutica para clínicos. Essa organização ajuda o médico a localizar em qual etapa do cuidado a ferramenta de aprendizado de máquina pode se inserir, seja no acompanhamento de comorbidades, seja na escolha ou manutenção do esquema antirretroviral.

Sobre os algoritmos, random forests apareceu como o mais utilizado, mostrando-se eficaz na identificação de biomarcadores de síndrome metabólica, de características genéticas do envelope do HIV e na predição de comprometimento neurocognitivo. O resumo destaca vantagens desse modelo: lida com dados lineares, não lineares e ausentes, reduz sobreajuste em comparação a árvores isoladas, é robusto a ruído e valores extremos, fornece medidas de importância de variáveis e tem boa capacidade de generalização.

As máquinas de vetores de suporte demonstraram força na análise de associações entre genótipos do HIV-1 e fenótipos de resistência, na predição de resposta virológica com base no genótipo, na detecção de mutações associadas à resistência e no aprimoramento de predições computacionais de resistência a partir de dados genotípicos. Já a regressão logística mostrou-se mais poderosa para prever desfechos de tratamento, incluindo falha virológica, eventos adversos, alterações imunológicas em pessoas usando antirretrovirais e biomarcadores de toxicidade mitocondrial.

A conclusão é que o método mais adequado depende do campo de aplicação. Áreas como recomendação terapêutica, adesão e otimização do tratamento ainda carecem de algoritmos de inteligência artificial e precisam de mais exploração. Os autores apontam o desenvolvimento de novos sistemas de apoio à decisão clínica para pessoas vivendo com HIV como o desafio para os próximos anos.

O que o estudo mostrou

Trata-se de uma revisão sistemática com diretrizes PRISMA 2020, que analisou quatro bases até agosto de 2024. Foram identificados 476 estudos e, após avaliação de elegibilidade, 98 foram analisados em detalhe por três especialistas. As aplicações foram agrupadas em 6 categorias: comorbidades, resistência viral, monitoramento da infecção, desfechos de tratamento, adesão e recomendação terapêutica. Random forests foi o algoritmo mais usado, com 17,49% (43/247), seguido por máquinas de vetores de suporte e regressão logística, cada um com pontos fortes em domínios específicos.

Limitações

O resumo não informa a qualidade metodológica dos estudos incluídos, o risco de viés, a heterogeneidade entre as populações ou o desempenho comparativo dos algoritmos em métricas clínicas. Também não detalha tamanhos de amostra nem validação externa dos modelos. Os achados descrevem o panorama das publicações, não a eficácia clínica comprovada das ferramentas.

Aplicação no consultório

O médico pode usar esse mapa para reconhecer em qual etapa do cuidado existem modelos descritos, como predição de falha virológica, resistência ou adesão, sem tratá-los como substitutos do julgamento clínico. Na gestão do consultório, ajuda a priorizar quais ferramentas de apoio à decisão avaliar e a entender que recomendação terapêutica e adesão ainda são áreas com lacunas, exigindo cautela antes de adotar sistemas comerciais.

Estudo citado

Machine Learning in HIV Care and Antiretroviral Therapy: Systematic Review. Journal of medical Internet research, 2026.
Autores: Boudra T, Idrissou A, Barakat O, Davani S, Valnet Rabier MB, Lagoutte-Renosi J.
DOI: 10.2196/79219 · PubMed: PMID 42048495

Perguntas para aprofundar

• Como escolher entre random forests, máquinas de vetores de suporte e regressão logística para cada problema clínico em HIV?
• Quais lacunas existem em sistemas de apoio à decisão para recomendação e adesão à terapia antirretroviral?
• O que falta para validar modelos de aprendizado de máquina em dados clínicos reais de pessoas vivendo com HIV?

Mais sobre Regulação e validação clínica de IA

• Como a inteligência artificial e o aprendizado de máquina têm sido aplicados em cirurgia ambulatorial?
• Como os métodos de aprendizado de máquina aplicados a dados do mundo real estão sendo validados para apoiar decisões entre paciente e profissional de saúde?
• Como o aprendizado de máquina pode melhorar a farmacovigilância de vacinas de mRNA?
• Algoritmos de aprendizado de máquina podem prever a sobrevida de pacientes tratados para carcinoma hepatocelular?
• Como a inteligência artificial pode ser aplicada à MALDI-TOF MS na microbiologia clínica e quais os desafios para sua implementação?

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