# O que a revisão sistemática sobre aprendizado de máquina em pediatria e adolescência revela para a prática clínica?

> A revisão sistemática identificou 363 estudos sobre aprendizado de máquina em pediatria e adolescência, com maior concentração em psiquiatria, neonatologia e neurologia. A maioria veio de países de alta renda, e os algoritmos evoluíram de redes neurais e ensemble para deep learning e clustering. O interesse crescente sugere potencial aplicação na entrega de serviços de saúde.

Estudo citado: Hoodbhoy Z, Masroor Jeelani S, Aziz A, Habib MI, Iqbal B, Akmal W et al.. Machine Learning for Child and Adolescent Health: A Systematic Review. Pediatrics. 2021. DOI: https://doi.org/10.1542/peds.2020-011833. PubMed: https://pubmed.ncbi.nlm.nih.gov/33323492/

## Resposta

Esta revisão sistemática teve como objetivo mapear a evidência disponível sobre o uso de aprendizado de máquina (ML) em pediatria e medicina do adolescente, além de fornecer insights para pesquisas futuras. Os autores realizaram uma busca abrangente da literatura em múltiplas bases de dados, incluindo Medline, Cochrane Library, CINAHL Plus, Web of Science e EBSCO Dentistry & Oral Science Source.

Foram incluídos artigos que avaliaram modelos de ML para diagnóstico, predição ou manejo de qualquer condição em crianças e adolescentes de 0 a 18 anos. A revisão incluiu 363 estudos, com maior número de publicações nas subespecialidades de psiquiatria, neonatologia e neurologia. A maioria dos estudos foi conduzida em países de alta renda (82%; n = 296) e de renda média-alta (15%; n = 56), enquanto apenas 3% (n = 11) vieram de países de renda média-baixa.

Em relação aos algoritmos, redes neurais e métodos de ensemble foram os mais testados na década de 1990, enquanto deep learning e clustering emergiram rapidamente na década atual. Os dados extraídos incluíram ano de publicação, localização geográfica, faixa etária, número de participantes, condição investigada, metodologia do estudo, padrão de referência, tipo, categoria e desempenho dos algoritmos de ML.

Os autores concluem que o interesse em ML tem crescido em diversas subespecialidades e países, sugerindo um papel potencial na entrega de serviços de saúde para crianças e adolescentes nos próximos anos. No entanto, a revisão limitou-se a estudos publicados em inglês, o que pode restringir a generalização dos achados.

Para o médico brasileiro, os resultados indicam que a aplicação de ML em pediatria e adolescência é uma área em expansão, especialmente em psiquiatria, neonatologia e neurologia. Contudo, a escassez de estudos em países de renda média-baixa, como o Brasil, sugere a necessidade de pesquisas locais para validar e adaptar esses modelos à nossa realidade clínica.

## O que o estudo mostrou

Trata-se de uma revisão sistemática que incluiu 363 estudos sobre modelos de aprendizado de máquina para diagnóstico, predição ou manejo de condições em crianças e adolescentes (0-18 anos). As subespecialidades com mais literatura foram psiquiatria, neonatologia e neurologia. A maioria dos estudos foi de países de alta renda (82%; n = 296) e de renda média-alta (15%; n = 56), com apenas 3% (n = 11) de países de renda média-baixa. Redes neurais e métodos de ensemble predominaram na década de 1990, enquanto deep learning e clustering emergiram na década atual.

## Limitações

A principal limitação relatada no resumo é que apenas estudos conduzidos em inglês foram incluídos na revisão. O resumo não informa outras limitações metodológicas, como viés de publicação ou heterogeneidade entre os estudos. Além disso, a maioria dos estudos veio de países de alta renda, o que pode limitar a generalização dos achados para contextos de renda média-baixa.

## Aplicação no consultório

Os achados sugerem que o aprendizado de máquina tem potencial para auxiliar no diagnóstico, predição e manejo de condições pediátricas, especialmente em psiquiatria, neonatologia e neurologia. Para o médico brasileiro, é importante acompanhar essa evolução, mas também considerar que a maioria dos estudos foi realizada em países de alta renda, o que pode exigir validação local antes da aplicação clínica. Na gestão do consultório, pode-se considerar o uso futuro de ferramentas baseadas em ML para apoio à decisão, mas sempre com cautela e avaliação crítica da evidência disponível.

## Perguntas para aprofundar

- Quais são as principais aplicações de aprendizado de máquina em psiquiatria pediátrica?
- Como a escassez de estudos em países de renda média-baixa afeta a validade dos modelos de ML para a população brasileira?
- Quais algoritmos de aprendizado de máquina têm sido mais utilizados em neonatologia e neurologia pediátrica?

Tema: IA em saúde mental. Página: https://alphadoctor.com.br/ciencia/ia-saude-mental/o-que-a-revisao-sistematica-sobre-aprendizado-de-maquina-em-pediatria-e/

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