# Modelos de machine learning já permitem escolher comparativamente entre antidepressivos no transtorno depressivo maior? > Ainda não de forma consolidada. A revisão sistemática identificou 19 estudos que compararam duas ou mais intervenções farmacológicas, mas apenas 1 implementou um framework unificado de ranking terapêutico por paciente. Barreiras incluem falta de distinção entre marcadores prognósticos e preditivos, validação externa limitada, ausência de relato de calibração e ausência de explicabilidade. Estudo citado: He F, Huang S, Wang R, Chang A, Phillips JL, Sun C. Machine Learning for Comparative Antidepressant Selection in Major Depressive Disorder: Systematic Review. JMIR mental health. 2026. DOI: https://doi.org/10.2196/89352. PubMed: https://pubmed.ncbi.nlm.nih.gov/42126586/ ## Resposta A seleção de antidepressivos no transtorno depressivo maior ainda se apoia em tentativa e erro, com taxas de resposta que o resumo situa entre 42% e 53%. Diante disso, a revisão sistemática avaliou se modelos de machine learning que examinam 2 ou mais intervenções farmacológicas já oferecem suporte à escolha comparativa entre medicamentos ou classes para o paciente individual. Os autores seguiram as diretrizes PRISMA e buscaram estudos publicados de 2015 a 2025 no PubMed, Scopus e Web of Science. Foram incluídos estudos com adultos com transtorno depressivo maior que usaram modelos de machine learning para prever desfechos em 2 ou mais tratamentos farmacológicos e relataram resultados específicos por medicação. O risco de viés foi avaliado com a ferramenta PROBAST-AI, e a síntese foi narrativa, organizada por estratégias de modelagem, integração de dados, validação e padrões de desempenho. De 5370 registros iniciais, 19 estudos preencheram os critérios, com amostras de 49 a 77.226 participantes. Três estratégias de modelagem foram identificadas: modelos supervisionados específicos por fármaco, abordagens baseadas em subtipos ou trajetórias por agrupamento e um framework unificado de predição diferencial com previsões calibradas entre tratamentos. O desempenho variou de forma substancial, com área sob a curva de 0,59 a 0,95 e acurácias de classificação entre 62% e 95,4%. O alto desempenho concentrou-se em estudos com amostras pequenas, atributos neurobiológicos de alta dimensionalidade e validação apenas interna. Apenas 7 estudos realizaram validação externa, que em geral produziu estimativas mais conservadoras. A informatividade das variáveis associou-se de forma mais consistente à variação de desempenho do que a complexidade do algoritmo. A maioria dos estudos não distinguiu formalmente marcadores prognósticos de marcadores preditivos de resposta diferencial, e nenhum aplicou técnicas formais de explicabilidade. A conclusão é que o machine learning para seleção comparativa de antidepressivos permanece em estágio inicial de desenvolvimento. Apenas 1 estudo implementou um framework unificado que apoia diretamente o ranking de tratamentos no nível do paciente. Os principais obstáculos à tradução clínica são a distinção insuficiente entre marcadores prognósticos e preditivos, a validação cruzada entre ensaios limitada, o relato quase ausente de calibração e a ausência de explicabilidade. ## O que o estudo mostrou Revisão sistemática com busca em PubMed, Scopus e Web of Science de 2015 a 2025, seguindo PRISMA. De 5370 registros, 19 estudos com adultos com transtorno depressivo maior foram incluídos, com amostras de 49 a 77.226 participantes. Três estratégias de modelagem foram descritas. A área sob a curva variou de 0,59 a 0,95 e a acurácia de 62% a 95,4%, com alto desempenho concentrado em amostras pequenas e validação apenas interna. Apenas 7 estudos fizeram validação externa, e apenas 1 implementou framework unificado de ranking terapêutico. ## Limitações O resumo não informa detalhes sobre a qualidade individual dos estudos incluídos nem sobre a magnitude do risco de viés avaliado pelo PROBAST-AI. A síntese foi narrativa, sem meta-análise. Os próprios estudos incluídos carecem de distinção entre marcadores prognósticos e preditivos, validação externa limitada, relato quase ausente de calibração e ausência de explicabilidade, o que restringe o que a revisão permite concluir sobre uso clínico. ## Aplicação no consultório Na prática clínica, os achados não sustentam adotar modelos de machine learning como base para escolha comparativa de antidepressivos neste momento. O médico pode acompanhar a literatura sobre frameworks unificados com previsões calibradas e validação externa. Na gestão do consultório, investir em ferramentas preditivas sem calibração e explicabilidade documentadas não se justifica; priorizar registro sistemático de desfechos por medicação pode preparar a base para futura incorporação criteriosa desses modelos. ## Perguntas para aprofundar - Quais estratégias de modelagem de machine learning foram usadas para comparar antidepressivos no transtorno depressivo maior? - Por que a distinção entre marcadores prognósticos e preditivos é importante na escolha de antidepressivos? - O que falta para os modelos de machine learning apoiarem a seleção comparativa de antidepressivos na prática clínica? Tema: IA em saúde mental. Página: https://alphadoctor.com.br/ciencia/ia-saude-mental/modelos-de-machine-learning-ja-permitem-escolher-comparativamente-entre/ Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.