IA em triagem e prontuário eletrônico

A inteligência artificial é útil para prever doenças cardiometabólicas em populações indígenas?

Resposta

A revisão sistemática buscou na literatura estudos que aplicassem inteligência artificial, especialmente aprendizado de máquina, para prever doenças cardiometabólicas em populações indígenas. Foram incluídos 13 estudos, com mediana de 19.270 participantes (variação de 911 a 2.994.837). Os algoritmos mais comuns foram máquina de vetores de suporte, floresta aleatória e árvore de decisão.

Doze estudos usaram a área sob a curva ROC (AUC) para medir o desempenho. Dois estudos relataram AUC maior que 0,9; seis tiveram AUC entre 0,8 e 0,9; quatro entre 0,7 e 0,8; e um entre 0,6 e 0,7. Esses resultados indicam capacidade discriminatória de moderada a excelente, segundo os autores, em comparação com modelos estatísticos tradicionais.

Os autores concluem que modelos de aprendizado de máquina podem auxiliar no atendimento às necessidades de populações indígenas urbanas, prevendo doenças cardiometabólicas de forma precoce e mais rápida que métodos convencionais. No entanto, o risco de viés foi observado em 10 dos 13 estudos (77%), o que deve ser considerado na interpretação dos achados.

A revisão não detalha as características específicas das populações indígenas incluídas, nem como os modelos foram implementados na prática. O resumo também não informa o desenho dos estudos primários, os tipos de dados utilizados ou as limitações metodológicas de cada um. Essas lacunas limitam a generalização dos resultados para o contexto brasileiro.

Para o médico, os achados sugerem que ferramentas de inteligência artificial podem, no futuro, apoiar a estratificação de risco cardiovascular e metabólico em populações indígenas, especialmente em áreas urbanas. Contudo, a presença de risco de viés na maioria dos estudos reforça a necessidade de validação externa e de cautela antes da incorporação na rotina clínica.

O que o estudo mostrou

Revisão sistemática que incluiu 13 estudos sobre uso de aprendizado de máquina para predição de doenças cardiometabólicas em populações indígenas. A mediana de participantes foi de 19.270 (variação de 911 a 2.994.837). Os algoritmos mais usados foram máquina de vetores de suporte, floresta aleatória e árvore de decisão. Doze estudos usaram AUC: dois >0,9; seis entre 0,8 e 0,9; quatro entre 0,7 e 0,8; um entre 0,6 e 0,7. Risco de viés foi observado em 10 estudos (77%).

Limitações

O resumo não informa o desenho dos estudos primários, as características das populações indígenas incluídas, os tipos de dados ou as limitações metodológicas de cada estudo. O risco de viés foi observado em 10 dos 13 estudos, o que compromete a qualidade da evidência. Além disso, não há informação sobre validação externa dos modelos ou sobre sua aplicabilidade no contexto brasileiro.

Aplicação no consultório

Os achados sugerem que modelos de aprendizado de máquina podem auxiliar na predição precoce de doenças cardiometabólicas em populações indígenas, especialmente em áreas urbanas. Para o médico, isso pode significar apoio à estratificação de risco e ao manejo clínico, desde que os modelos sejam validados localmente. A gestão do consultório pode se beneficiar da incorporação de ferramentas de apoio à decisão, mas o risco de viés na maioria dos estudos recomenda cautela e avaliação crítica antes da implementação rotineira.

Estudo citado

Artificial intelligence and prediction of cardiometabolic disease: Systematic review of model performance and potential benefits in indigenous populations. Artificial intelligence in medicine, 2023.
Autores: Jeong K, Mallard AR, Coombe L, Ward J.
DOI: 10.1016/j.artmed.2023.102534 · PubMed: PMID 37100506

Perguntas para aprofundar

• Quais algoritmos de aprendizado de máquina são mais usados para predição de doenças cardiometabólicas em populações indígenas?
• Como o risco de viés afeta a confiabilidade dos modelos de inteligência artificial na predição de doenças cardiometabólicas?
• Quais são os desafios para implementar modelos de inteligência artificial na atenção primária à saúde de populações indígenas no Brasil?

Mais sobre IA em triagem e prontuário eletrônico

• Como a inteligência artificial está sendo aplicada na medicina de emergência e quais são os principais desafios?
• A inteligência artificial já pode ser usada para diagnosticar apendicite aguda na prática clínica?
• A inteligência artificial pode apoiar a triagem de enfermagem no pronto-socorro e reduzir a subtriagem?
• Algoritmos de inteligência artificial são eficazes para prever lesão renal aguda em adultos hospitalizados?
• Quais algoritmos de aprendizado de máquina têm sido aplicados em unidades de emergência e quais são suas limitações?

Todas as perguntas sobre IA em triagem e prontuário eletrônico · Todos os temas · Versão em markdown