# Algoritmos de machine learning são precisos para prever TEPT em diferentes populações?

> Uma revisão sistemática com meta-análise mostrou que modelos de machine learning, principalmente baseados em árvores, apresentam boa acurácia para prever TEPT em diversos grupos, com AUC variando de 0,745 a 0,96. No entanto, quase metade dos estudos tinha alto risco de viés e a validação externa é limitada, restringindo a aplicabilidade clínica imediata.

Estudo citado: Vali M, Nezhad HM, Kovacs L, Gandomi AH. Machine learning algorithms for predicting PTSD: a systematic review and meta-analysis. BMC medical informatics and decision making. 2025. DOI: https://doi.org/10.1186/s12911-024-02754-2. PubMed: https://pubmed.ncbi.nlm.nih.gov/39838346/

## Resposta

A predição do transtorno de estresse pós-traumático (TEPT) por meio de algoritmos de machine learning tem sido explorada em diferentes contextos. Uma revisão sistemática com meta-análise avaliou a acurácia e o risco de viés desses modelos. Os resultados indicam que modelos baseados em árvores são os mais usados e mostram desempenho promissor, com áreas sob a curva ROC (AUC) agrupadas variando conforme o tipo de trauma.

As AUCs agrupadas foram: 0,745 para incidentes militares, 0,861 para trauma sexual ou físico, 0,771 para desastres naturais, 0,808 para trauma médico, 0,96 para bombeiros e 0,935 para estresse relacionado ao álcool. Esses valores sugerem que os modelos podem discriminar razoavelmente bem entre indivíduos com e sem TEPT, mas há heterogeneidade significativa entre os estudos.

A avaliação do risco de viés mostrou que 48% dos 23 estudos incluídos tinham alto risco e o restante risco incerto, segundo a ferramenta PROBAST. Isso significa que muitos resultados podem estar superestimados ou sujeitos a vieses de seleção, medição ou análise. Além disso, poucos modelos foram testados em novos contextos, limitando a generalização.

Os autores recomendam que pesquisadores sigam os padrões de relato para IA/ML e as diretrizes PROBAST, além de realizarem validações externas para garantir a aplicabilidade dos modelos em cenários do mundo real. A heterogeneidade entre estudos também foi alta, o que compromete a robustez das estimativas agrupadas.

Para o médico, esses achados indicam que a ferramenta ainda não está pronta para uso clínico rotineiro, mas aponta para um potencial futuro de apoio à decisão. É importante acompanhar a evolução das pesquisas e exigir validação adequada antes de incorporar qualquer algoritmo na prática.

## O que o estudo mostrou

Revisão sistemática e meta-análise de 23 estudos que desenvolveram ou validaram modelos de machine learning para prever TEPT. Modelos baseados em árvores foram os principais e apresentaram AUCs agrupadas de 0,745 para incidentes militares, 0,861 para trauma sexual ou físico, 0,771 para desastres naturais, 0,808 para trauma médico, 0,96 para bombeiros e 0,935 para estresse relacionado ao álcool. Quase metade dos estudos teve alto risco de viés e o restante risco incerto, com heterogeneidade significativa.

## Limitações

O resumo não informa o número total de participantes, os critérios exatos de inclusão ou as características das amostras. A alta heterogeneidade entre estudos, o elevado risco de viés e a escassez de validações externas limitam a generalização dos resultados. Além disso, a maioria dos modelos foi desenvolvida em contextos específicos, sem teste em novas populações.

## Aplicação no consultório

Os achados ainda não permitem incorporar algoritmos de machine learning na rotina clínica para predição de TEPT, devido ao risco de viés e à falta de validação externa. O médico deve manter a avaliação clínica baseada em entrevista e instrumentos validados. Na gestão do consultório, é prudente aguardar diretrizes claras e ferramentas validadas antes de investir em sistemas preditivos. O estudo reforça a necessidade de letramento em IA para avaliar criticamente futuras ferramentas.

## Perguntas para aprofundar

- Quais são os principais vieses que afetam modelos de machine learning para TEPT?
- Como a validação externa pode melhorar a aplicabilidade clínica desses modelos?
- Quais populações se beneficiam mais dos modelos preditivos de TEPT?

Tema: IA em saúde mental. Página: https://alphadoctor.com.br/ciencia/ia-saude-mental/algoritmos-de-machine-learning-sao-precisos-para-prever-tept-em-diferentes/

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