# A inteligência artificial por aprendizado de máquina é útil para triagem inicial de síndromes coronarianas agudas sem elevação de troponina?

> 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.

Estudo citado: Iannattone PA, Zhao X, VanHouten J, Garg A, Huynh T. Artificial Intelligence for Diagnosis of Acute Coronary Syndromes: A Meta-analysis of Machine Learning Approaches. The Canadian journal of cardiology. 2020. DOI: https://doi.org/10.1016/j.cjca.2019.09.013. PubMed: https://pubmed.ncbi.nlm.nih.gov/32220387/

## 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.

## 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?

Tema: IA em triagem e prontuário eletrônico. Página: https://alphadoctor.com.br/ciencia/ia-triagem-prontuario/a-inteligencia-artificial-por-aprendizado-de-maquina-e-util-para-triagem/

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