A inteligência artificial por aprendizado de máquina é útil para triagem inicial de síndromes coronarianas agudas sem elevação de troponina?
Resposta curta: Uma meta-análise de 9 estudos com 6292 pacientes mostrou que algoritmos de aprendizado de máquina tiveram sensibilidade agrupada de 0,95 e especificidade de 0,90 para diagnóstico de síndromes coronarianas agudas. Os valores preditivos negativos variaram de 0,91 a 1,0, sugerindo utilidade como ferramenta inicial de triagem para afastar a síndrome.
Resposta
A meta-análise reuniu estudos que avaliaram algoritmos de aprendizado de máquina para o diagnóstico de síndromes coronarianas agudas em pacientes com dor torácica. Foram incluídos 9 estudos, totalizando 6292 pacientes, com prevalência de síndrome coronariana aguda variando de 7% a 57% nas coortes avaliadas.
Os resultados agrupados mostraram sensibilidade de 0,95 e especificidade de 0,90. Os valores preditivos positivos variaram de 0,64 a 1,0, e os valores preditivos negativos, de 0,91 a 1,0. As razões de verossimilhança positiva e negativa variaram de 1,6 a 33,0 e de 0,01 a 0,13, respectivamente.
Os autores concluem que a excelente sensibilidade, a razão de verossimilhança negativa e os valores preditivos negativos sugerem que o aprendizado de máquina pode ser útil como ferramenta inicial de triagem para afastar síndromes coronarianas agudas. Isso é particularmente relevante para casos sem elevação de troponina, nos quais o diagnóstico permanece subjetivo e dependente da habilidade clínica.
A aplicação clínica potencial inclui agilizar o manejo, seja para alta precoce, seja para início precoce do tratamento da síndrome coronariana aguda. No entanto, a heterogeneidade da prevalência entre os estudos e a variação dos valores preditivos positivos indicam que o desempenho pode diferir conforme o contexto.
O resumo não informa detalhes sobre as características dos algoritmos, a população exata ou os critérios de referência utilizados. Portanto, a implementação na prática deve considerar essas limitações e a necessidade de validação local.
O que o estudo mostrou
Trata-se de uma meta-análise de estudos que avaliaram algoritmos de aprendizado de máquina para diagnóstico de síndromes coronarianas agudas em pacientes com dor torácica. Foram retidos 9 estudos, com 6292 pacientes no total. A prevalência de síndrome coronariana aguda nas coortes variou de 7% a 57%. A sensibilidade agrupada foi de 0,95 e a especificidade, de 0,90. Os valores preditivos positivos variaram de 0,64 a 1,0, e os negativos, de 0,91 a 1,0. As razões de verossimilhança positiva e negativa variaram de 1,6 a 33,0 e de 0,01 a 0,13, respectivamente.
Limitações
O resumo não informa o desenho individual dos estudos incluídos, as características dos algoritmos de aprendizado de máquina, a população exata ou os critérios de referência para o diagnóstico. A heterogeneidade da prevalência (7% a 57%) e a variação dos valores preditivos positivos (0,64 a 1,0) limitam a generalização dos achados. O resumo também não detalha possíveis vieses de publicação ou de seleção.
Aplicação no consultório
Os achados sugerem que algoritmos de aprendizado de máquina podem auxiliar na triagem inicial de pacientes com dor torácica, especialmente para afastar síndromes coronarianas agudas quando a troponina não está elevada. Na prática clínica, isso poderia apoiar decisões sobre alta precoce ou início precoce de manejo. Para a gestão do consultório, a implementação exigiria validação local dos algoritmos e integração com o fluxo de atendimento, considerando a prevalência da condição na população atendida e a disponibilidade de recursos.
Estudo citado
Artificial Intelligence for Diagnosis of Acute Coronary Syndromes: A Meta-analysis of Machine Learning Approaches. The Canadian journal of cardiology, 2020.
Autores: Iannattone PA, Zhao X, VanHouten J, Garg A, Huynh T.
DOI: 10.1016/j.cjca.2019.09.013 · PubMed: PMID 32220387
Perguntas para aprofundar
- Qual é o desempenho diagnóstico de algoritmos de aprendizado de máquina para síndromes coronarianas agudas em comparação com escores clínicos tradicionais?
- Como a prevalência de síndromes coronarianas agudas influencia o valor preditivo positivo dos algoritmos de aprendizado de máquina?
- Quais são as limitações metodológicas dos estudos que avaliam aprendizado de máquina no diagnóstico de síndromes coronarianas agudas?
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?
- Quais algoritmos de aprendizado de máquina têm sido aplicados em unidades de emergência e quais são suas limitações?
- A inteligência artificial é aplicável no manejo de pacientes em emergência, e quais são os principais desafios para sua implementação?
Todas as perguntas sobre IA em triagem e prontuário eletrônico · Todos os temas · Versão em markdown