O uso de aprendizado de máquina em neuroimagem pode melhorar o diagnóstico e a predição de desfechos em transtornos alimentares?
Resposta curta: Uma revisão sistemática avaliou estudos que aplicaram aprendizado de máquina a neuroimagem em transtornos alimentares. Houve potencial para caracterizar subtipos e prever desfechos, sobretudo com máquinas de vetores de suporte em imagens estruturais e de difusão. Porém, heterogeneidade, risco de viés e ausência de validação externa limitam a generalização para a prática clínica.
Resposta
A revisão sistemática teve como objetivo avaliar a aplicação de técnicas de aprendizado de máquina (ML) a dados de neuroimagem em transtornos alimentares, incluindo anorexia nervosa, bulimia nervosa e transtorno da compulsão alimentar periódica. Foram incluídos estudos publicados entre 2014 e 2024, seguindo as diretrizes PRISMA e com registro no PROSPERO. A qualidade metodológica foi avaliada pelos instrumentos GRADE e ROBINS-I.
Dentre 185 registros triados, apenas 5 estudos preencheram os critérios de inclusão. A maioria utilizou máquinas de vetores de suporte (SVMs) ou outros modelos supervisionados aplicados a imagens de ressonância magnética estrutural ou de tensor de difusão. Os achados indicaram que alterações na espessura cortical na anorexia nervosa e métricas baseadas em difusão conseguiram distinguir subtipos de transtornos alimentares.
Apesar do potencial observado, todos os estudos eram observacionais, heterogêneos e apresentaram risco de viés moderado a sério. O tamanho amostral foi pequeno e não houve validação externa, o que compromete a generalização dos resultados. A revisão conclui que, embora promissor, o uso clínico dessas ferramentas ainda carece de estudos mais robustos.
Os autores sugerem que pesquisas futuras foquem em amostras maiores, multicêntricas e multimodais para aumentar a aplicabilidade clínica. O nível de evidência atribuído foi IV, refletindo a heterogeneidade metodológica e o risco de viés dos estudos incluídos. Portanto, a implementação rotineira de ML em neuroimagem para transtornos alimentares não está estabelecida.
Para o médico, é importante reconhecer que a tecnologia ainda é experimental nesse contexto. A tomada de decisão clínica deve se basear em evidências consolidadas, e o encaminhamento para avaliação especializada permanece fundamental. A revisão destaca a necessidade de cautela antes de incorporar tais ferramentas na prática.
O que o estudo mostrou
Trata-se de uma revisão sistemática que seguiu as diretrizes PRISMA e incluiu 5 estudos observacionais publicados entre 2014 e 2024. A maioria aplicou SVMs ou outros modelos supervisionados a imagens de ressonância magnética estrutural ou de tensor de difusão. Os resultados mostraram que alterações na espessura cortical na anorexia nervosa e métricas de difusão distinguiram subtipos de transtornos alimentares. No entanto, os estudos eram heterogêneos, com tamanhos amostrais pequenos e risco de viés moderado a sério, sem validação externa.
Limitações
O resumo informa que todos os estudos incluídos eram observacionais, heterogêneos e apresentaram risco de viés moderado a sério. Além disso, as amostras eram pequenas e não houve validação externa. Essas limitações impedem a generalização dos achados e a aplicação clínica imediata. O nível de evidência IV reflete a fragilidade metodológica. O resumo não fornece detalhes sobre características específicas das amostras ou dos modelos de ML utilizados.
Aplicação no consultório
Na prática clínica, os achados ainda não permitem incorporar o ML em neuroimagem como ferramenta diagnóstica ou preditiva de rotina. O médico deve manter a avaliação clínica abrangente e considerar o encaminhamento para especialistas em transtornos alimentares. Para a gestão do consultório, investir em tecnologias experimentais sem validação externa pode não ser justificável. A revisão reforça a necessidade de aguardar estudos multicêntricos e com maior poder estatístico antes de adotar tais abordagens. O foco deve permanecer em práticas baseadas em evidências consolidadas.
Estudo citado
Neuroimaging and machine learning in eating disorders: a systematic review. Eating and weight disorders : EWD, 2025.
Autores: Monaco F, Vignapiano A, Di Gruttola B, Landi S, Panarello E, Malvone R, Palermo S, Marenna A, Collantoni E, Celia G, Di Stefano V, Meneguzzo P, D'Angelo M, Corrivetti G, Steardo L.
DOI: 10.1007/s40519-025-01757-w · PubMed: PMID 40450619
Perguntas para aprofundar
- Quais são as limitações metodológicas dos estudos que aplicam aprendizado de máquina em neuroimagem para transtornos alimentares?
- Como a espessura cortical e as métricas de difusão podem ajudar a diferenciar subtipos de transtornos alimentares?
- Quais são as perspectivas futuras para a validação clínica de modelos de aprendizado de máquina em psiquiatria?
Mais sobre IA em saúde mental
- A classificação de transtornos do espectro da esquizofrenia por aprendizado de máquina em ressonância magnética atinge acurácia suficiente para uso clínico?
- O aprendizado por transferência com biomarcadores de neuroimagem já é uma ferramenta confiável para o diagnóstico precoce e a predição prognóstica da doença de Alzheimer?
- A inteligência artificial aplicada à ressonância magnética ponderada em T1 é eficaz para classificar mais de dois estágios da doença de Alzheimer?
- Como a inteligência artificial pode melhorar a predição de risco da doença de Alzheimer na prática clínica?
- Deep learning e machine learning são eficazes na predição da doença de Alzheimer?
Todas as perguntas sobre IA em saúde mental · Todos os temas · Versão em markdown