# Modelos de machine learning conseguem prever burnout em profissionais de saúde com desempenho confiável para uso clínico?

> Segundo esta revisão sistemática com meta-análise, os modelos de machine learning apresentam discriminação moderada para prever burnout em profissionais de saúde, com AUC agrupada de 0,72. O desempenho melhora com dados autorrelatados, em enfermeiros, na região Ásia-Pacífico e com avaliações baseadas no MBI, mas todos os estudos apresentaram risco de viés alto ou incerto.

Estudo citado: Shi H, Liu J, Yang C, Shang J, Zeng Y. Machine learning for predicting burnout among healthcare workers: a systematic review and meta-analysis. Contemporary nurse. 2026. DOI: https://doi.org/10.1080/10376178.2025.2593294. PubMed: https://pubmed.ncbi.nlm.nih.gov/41296876/

## Resposta

A revisão sistemática com meta-análise reuniu estudos que desenvolveram ou validaram modelos de machine learning para prever burnout em profissionais de saúde, utilizando instrumentos clinicamente validados, como o Maslach Burnout Inventory. A busca abrangeu dez bases de dados, com publicações desde o início até 13 de fevereiro de 2025, e a qualidade metodológica foi avaliada com a ferramenta PROBAST-AI.

Os resultados agrupados indicaram AUC de 0,72 (IC 95%: 0,68-0,76), o que corresponde a discriminação moderada. A sensibilidade foi de 0,63 (IC 95%: 0,53-0,73) e a especificidade de 0,84 (IC 95%: 0,75-0,90). Em termos práticos, os modelos identificam razoavelmente bem quem não tem burnout, mas deixam passar uma parcela relevante dos casos positivos.

Os autores observaram melhor desempenho em modelos que usaram dados autorrelatados, que focaram em enfermeiros, que foram conduzidos na região Ásia-Pacífico ou que se basearam em avaliações com o MBI (p < 0,0001). Os preditores identificados foram agrupados em cinco categorias: demográficos/ocupacionais, psicológicos/comportamentais, organizacionais/sociais, fisiológicos/wearable e padrões de atividade/trabalho.

A conclusão é que os modelos de machine learning mostram potencial para prever burnout, mas são limitados por fragilidades metodológicas, heterogeneidade e ausência de validação externa. Todos os estudos apresentaram risco de viés alto ou incerto em pelo menos um domínio do PROBAST-AI. Os autores defendem desenho rigoroso, relato transparente, integração de dados multimodais e salvaguardas éticas para viabilizar uso clínico confiável.

## O que o estudo mostrou

Trata-se de revisão sistemática com meta-análise de estudos que desenvolveram ou validaram modelos de machine learning para prever burnout em profissionais de saúde, com busca em dez bases de dados até 13 de fevereiro de 2025. A AUC agrupada foi de 0,72 (IC 95%: 0,68-0,76), a sensibilidade de 0,63 (IC 95%: 0,53-0,73) e a especificidade de 0,84 (IC 95%: 0,75-0,90). O desempenho foi melhor com dados autorrelatados, em enfermeiros, na região Ásia-Pacífico e com avaliações baseadas no MBI (p < 0,0001).

## Limitações

O resumo não informa o tamanho amostral total nem detalhes dos estudos individuais. Os próprios autores apontam fragilidades metodológicas, heterogeneidade entre estudos e ausência de validação externa. Todos os estudos apresentaram risco de viés alto ou incerto em pelo menos um domínio do PROBAST-AI, o que limita a confiança nos resultados agrupados e a extrapolação para a prática.

## Aplicação no consultório

Os achados não sustentam adotar modelos de machine learning como ferramenta isolada de triagem de burnout na prática clínica ou na gestão do consultório. A especificidade mais alta que a sensibilidade sugere cautela: um resultado negativo não exclui burnout. Gestores podem acompanhar a literatura e priorizar instrumentos validados, como o MBI, enquanto aguardam modelos com validação externa e relato transparente antes de incorporá-los a programas de saúde ocupacional.

## Perguntas para aprofundar

- Quais preditores de burnout em profissionais de saúde foram agrupados nos modelos de machine learning?
- Por que a sensibilidade baixa limita o uso clínico de modelos preditivos de burnout?
- O que é a ferramenta PROBAST-AI e como ela avalia o risco de viés em modelos de inteligência artificial?

Tema: IA em saúde mental. Página: https://alphadoctor.com.br/ciencia/ia-saude-mental/modelos-de-machine-learning-conseguem-prever-burnout-em-profissionais-de-saude/

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