IA em saúde mental

Modelos de machine learning conseguem prever complicações da cirurgia bariátrica, e qual tipo de algoritmo se sai melhor?

Resposta

A cirurgia bariátrica vem se expandindo mundialmente devido a mudanças no estilo de vida, mas apresenta diversas complicações. A identificação precoce dessas complicações pode ser essencial para auxiliar os pacientes a terem uma cirurgia de maior qualidade. Nesse contexto, o machine learning tem papel relevante em tarefas de predição, e esta revisão sistemática buscou compreender melhor esse cenário.

A revisão foi conduzida com base no PRISMA, com busca em bases de dados científicas usando critérios de inclusão e exclusão, extração de dados por formulário próprio e análise por síntese narrativa dos dados quantitativos. O resumo não informa o número de artigos incluídos nem detalhes sobre a qualidade metodológica dos estudos analisados.

Os resultados indicam que algoritmos de ensemble superaram os demais em grandes bases de dados, especialmente em registros nacionais. Já as redes neurais artificiais tiveram melhor desempenho quando a base era de um único centro. Além disso, redes de crença profunda e redes neurais artificiais obtiveram desempenho favorável para complicações como diabetes, dislipidemia, hipertensão, trombose, fístula e depressão.

A conclusão da revisão é que o tipo de algoritmo mais adequado depende das características da base de dados e das complicações que se deseja prever, considerando tanto abordagens de ensemble quanto não ensemble. Isso sugere que a escolha do modelo deve ser orientada pelo contexto de dados disponível, e não por uma preferência única por uma técnica.

Para o médico, o estudo reforça que modelos preditivos podem apoiar a identificação precoce de complicações, mas a aplicação prática depende da infraestrutura de dados de cada serviço. O resumo não detalha métricas de desempenho, tamanho amostral ou validação externa, o que limita conclusões sobre uso clínico imediato.

O que o estudo mostrou

Trata-se de uma revisão sistemática conduzida com base no PRISMA, com busca em bases de dados científicas, critérios de inclusão e exclusão, formulário de extração de dados e síntese narrativa dos dados quantitativos. O resumo não informa o número de estudos incluídos nem o tamanho das amostras. Os achados mostram que algoritmos de ensemble superaram os demais em grandes bases de dados, especialmente registros nacionais, enquanto redes neurais artificiais se destacaram em base de um único centro. Redes de crença profunda e redes neurais artificiais tiveram desempenho favorável para diabetes, dislipidemia, hipertensão, trombose, fístula e depressão.

Limitações

O resumo não informa o número de artigos incluídos, o desenho detalhado dos estudos primários, as métricas de desempenho dos modelos nem a presença de validação externa. A análise foi narrativa, sem meta-análise. Também não são descritas limitações dos próprios estudos incluídos, o que restringe conclusões sobre robustez e aplicabilidade clínica dos modelos.

Aplicação no consultório

Na prática clínica e na gestão do consultório, a revisão sugere que ferramentas preditivas para complicações da bariátrica devem ser escolhidas conforme a base de dados disponível: modelos de ensemble tendem a ser mais úteis com grandes volumes e registros nacionais, enquanto redes neurais artificiais podem ser consideradas em contextos de um único centro. O médico pode usar esse panorama para discutir com equipes de tecnologia da informação a estruturação de dados e a seleção de modelos, sem assumir que um algoritmo seja universalmente superior. O resumo não permite definir protocolos assistenciais específicos.

Estudo citado

Comparison of machine learning models to predict complications of bariatric surgery: A systematic review. Health informatics journal, 2024.
Autores: Nopour R.
DOI: 10.1177/14604582241285794 · PubMed: PMID 39282871

Perguntas para aprofundar

• Quais complicações da cirurgia bariátrica são mais frequentemente alvo de modelos preditivos de machine learning?
• Como o tamanho e a origem da base de dados influenciam a escolha do algoritmo de machine learning na bariátrica?
• Quais métricas de desempenho são usadas para avaliar modelos de predição de complicações da bariátrica?

Mais sobre IA em saúde mental

• O aprendizado de máquina é útil para prever suicídio em populações psiquiátricas?
• Como a literatura tem utilizado dados do Twitter para monitorar desfechos em saúde mental e qual a qualidade metodológica desses estudos?
• Modelos de machine learning conseguem prever burnout em profissionais de saúde com desempenho confiável para uso clínico?
• Como o aprendizado de máquina tem sido aplicado à saúde cognitiva de idosos com HIV?
• Algoritmos de machine learning são precisos para prever TEPT em diferentes populações?

Todas as perguntas sobre IA em saúde mental · Todos os temas · Versão em markdown