# O uso de aprendizado de máquina em neuroimagem pode melhorar o diagnóstico e a predição de desfechos em transtornos alimentares?

> 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.

Estudo citado: Monaco F, Vignapiano A, Di Gruttola B, Landi S, Panarello E, Malvone R et al.. Neuroimaging and machine learning in eating disorders: a systematic review. Eating and weight disorders : EWD. 2025. DOI: https://doi.org/10.1007/s40519-025-01757-w. PubMed: https://pubmed.ncbi.nlm.nih.gov/40450619/

## 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.

## 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?

Tema: IA em saúde mental. Página: https://alphadoctor.com.br/ciencia/ia-saude-mental/o-uso-de-aprendizado-de-maquina-em-neuroimagem-pode-melhorar-o-diagnostico-e-a/

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