# Modelos de aprendizado de máquina são eficazes para prever risco de suicídio em adolescentes?

> Revisão sistemática com meta-análise de 42 estudos e 1.408.375 adolescentes mostrou que modelos de aprendizado de máquina têm bom desempenho na predição de comportamentos suicidas, com áreas sob a curva ROC de 0,75 a 0,84. A maior sensibilidade foi para tentativa de suicídio (0,80) e a maior especificidade para autolesão não suicida (0,96).

Estudo citado: Liu L, Li Z, Hu Y, Li C, He S, Zhang S et al.. Predictive Performance of Machine Learning for Suicide in Adolescents: Systematic Review and Meta-Analysis. Journal of medical Internet research. 2025. DOI: https://doi.org/10.2196/73052. PubMed: https://pubmed.ncbi.nlm.nih.gov/40522723/

## Resposta

A revisão sistemática com meta-análise avaliou o desempenho de modelos de aprendizado de máquina (ML) na predição de comportamentos relacionados ao suicídio em adolescentes. Foram incluídos 42 estudos publicados entre 2018 e 2024, abrangendo 104 modelos distintos e 1.408.375 adolescentes de 11 a 20 anos. O desfecho principal foi o c-index, e a meta-análise foi conduzida para autolesão não suicida (NSSI), ideação suicida, tentativa de suicídio, tentativa de suicídio combinada com ideação e tentativa combinada com NSSI.

Os resultados mostraram áreas sob a curva ROC combinadas de 0,79 para NSSI, 0,77 para ideação suicida, 0,84 para tentativa de suicídio, 0,82 para tentativa combinada com ideação e 0,75 para tentativa combinada com NSSI. A sensibilidade combinada mais alta foi para tentativa de suicídio (0,80) e a especificidade mais alta para NSSI (0,96). Métodos de ensemble, como random forest e extreme gradient boosting, apresentaram desempenho superior em múltiplos desfechos.

Os autores concluem que as técnicas de ML demonstram desempenho promissor na predição de risco de suicídio em adolescentes, especialmente para tentativa de suicídio. No entanto, a predominância de validação interna e a escassez de validação externa limitam a generalização dos achados. Estudos futuros devem incorporar conjuntos de dados maiores e mais diversos e realizar validação externa para melhorar a capacidade preditiva desses modelos.

Para o médico, esses achados sugerem que ferramentas baseadas em ML podem auxiliar na identificação precoce de risco, mas ainda não estão prontas para uso clínico rotineiro sem validação externa. A aplicação no consultório deve considerar a necessidade de validação local e a integração com julgamento clínico, além de infraestrutura para coleta e processamento de dados.

## O que o estudo mostrou

Revisão sistemática e meta-análise que avaliou modelos de aprendizado de máquina para predição de comportamentos suicidas em adolescentes. Foram incluídos 42 estudos publicados de 2018 a 2024, com 104 modelos e 1.408.375 adolescentes de 11 a 20 anos. As áreas sob a curva ROC combinadas foram: 0,79 para autolesão não suicida; 0,77 para ideação suicida; 0,84 para tentativa de suicídio; 0,82 para tentativa combinada com ideação; e 0,75 para tentativa combinada com autolesão não suicida. A sensibilidade mais alta foi para tentativa de suicídio (0,80) e a especificidade mais alta para autolesão não suicida (0,96). Métodos de ensemble mostraram melhor desempenho.

## Limitações

O resumo informa que a maioria dos estudos incluídos utilizou validação interna, com poucos empregando validação externa, o que pode limitar a generalização dos resultados. O resumo não informa detalhes sobre heterogeneidade entre estudos, qualidade individual dos modelos ou características específicas das amostras, nem sobre possíveis vieses de publicação.

## Aplicação no consultório

Os achados indicam que modelos de ML podem, no futuro, auxiliar na triagem de risco suicida em adolescentes, mas a ausência de validação externa impede sua incorporação imediata na prática clínica. No consultório, o médico deve manter a avaliação clínica tradicional e considerar que ferramentas preditivas ainda são experimentais. Para gestão, investir em infraestrutura de dados e treinamento pode preparar o terreno para futuras implementações, mas sem substituir o julgamento clínico.

## Perguntas para aprofundar

- Como interpretar os valores de AUC e sensibilidade dos modelos de ML para risco de suicídio em adolescentes?
- Quais são as limitações da validação interna em estudos de predição com aprendizado de máquina?
- Quais métodos de ensemble mostraram melhor desempenho na predição de suicídio em adolescentes?

Tema: IA em saúde mental. Página: https://alphadoctor.com.br/ciencia/ia-saude-mental/modelos-de-aprendizado-de-maquina-sao-eficazes-para-prever-risco-de-suicidio-em/

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