Algoritmos de machine learning já são confiáveis para apoio à decisão clínica na prática médica?
Resposta curta: A revisão sistemática indica que o machine learning é potencialmente uma ferramenta confiável para apoio à decisão clínica, mas a validação de algoritmos adaptados à clínica ainda está em andamento. Nenhum estudo alcançou classificação ideal de baixo viés e apenas três mostraram evidência de implantação na prática.
Resposta
A revisão sistemática reuniu estudos que avaliaram técnicas e algoritmos de machine learning aplicados à prática clínica em humanos, com alguma métrica de desempenho. O objetivo foi examinar o desempenho desses algoritmos e o progresso rumo à sua implementação clínica. Os autores concluem que o machine learning é potencialmente uma ferramenta confiável para apoio à decisão clínica, mas que o trabalho de validação de algoritmos adaptados à clínica ainda está em andamento.
Entre os algoritmos, o XGBoost (extreme gradient boosting) apresentou o maior potencial para aplicações clínicas, seguido conjuntamente por random forest, regressão logística e support vector machine. A aplicação mais frequente foi a predição de desfechos, com destaque para doenças inflamatórias, seguida por câncer, transtornos neuropsiquiátricos e Covid-19. Esses achados ajudam o médico a reconhecer quais famílias de algoritmos aparecem com mais frequência na literatura clínica.
A avaliação de qualidade mostrou que a maioria dos estudos incluídos passou em mais de 50% dos critérios selecionados da lista TRIPOD. Por outro lado, nenhum estudo alcançou uma classificação geral ideal de viés 'baixo' segundo a lista PROBAST. Além disso, apenas três estudos mostraram evidência de implantação de algoritmos de machine learning na prática clínica, o que separa a promessa da literatura da realidade do consultório.
Os autores defendem que melhorar padrões de qualidade, transparência e interpretabilidade dos modelos de machine learning reduzirá as barreiras à aceitabilidade. Para o médico, isso significa que a leitura crítica de estudos sobre algoritmos deve considerar não apenas a métrica de desempenho, mas também a qualidade metodológica e a existência de validação clínica. O resumo não informa detalhes sobre amostras, cenários de aplicação ou características dos pacientes incluídos.
O que o estudo mostrou
Revisão sistemática com busca em PubMed, MEDLINE, Scopus, Google Scholar, Cochrane Library e base WHO Covid-19, identificando artigos originais publicados entre janeiro de 2011 e outubro de 2021. De 873 artigos únicos, 36 foram elegíveis. O XGBoost mostrou o maior potencial clínico (n = 7 estudos), seguido conjuntamente por random forest, regressão logística e support vector machine (n = 5 estudos cada). Predição de desfechos foi o foco de 33 estudos, com doenças inflamatórias (n = 7), câncer e transtornos neuropsiquiátricos (n = 5 cada) e Covid-19 (n = 4). Trinta e três estudos passaram em mais de 50% dos critérios TRIPOD; nenhum atingiu viés 'baixo' no PROBAST; apenas três mostraram implantação clínica.
Limitações
O resumo não informa detalhes sobre o desenho individual dos estudos incluídos, o tamanho das amostras, as populações específicas ou os cenários clínicos avaliados. Também não descreve limitações dos próprios estudos primários. A conclusão sobre desempenho e implementação é limitada pela ausência de classificação ideal de baixo viés no PROBAST e pelo pequeno número de estudos com evidência de implantação clínica.
Aplicação no consultório
O médico pode usar esses achados para contextualizar expectativas sobre ferramentas de apoio à decisão baseadas em machine learning: a literatura é promissora, mas a validação clínica ainda é incipiente. Na gestão do consultório, isso reforça a cautela antes de adotar sistemas preditivos como parte da rotina, priorizando transparência, interpretabilidade e evidência de implantação. A revisão também orienta a leitura crítica de fornecedores que apresentem algoritmos como prontos para uso clínico.
Estudo citado
Potential applications and performance of machine learning techniques and algorithms in clinical practice: A systematic review. International journal of medical informatics, 2022.
Autores: Nwanosike EM, Conway BR, Merchant HA, Hasan SS.
DOI: 10.1016/j.ijmedinf.2021.104679 · PubMed: PMID 34990939
Perguntas para aprofundar
- Quais algoritmos de machine learning aparecem com mais frequência em estudos de aplicação clínica?
- Como avaliar a qualidade metodológica de estudos sobre machine learning na prática clínica?
- Quais barreiras ainda impedem a implantação de algoritmos de machine learning no consultório?
Mais sobre IA em triagem e prontuário eletrônico
- Quais algoritmos de aprendizado de máquina têm sido aplicados em unidades de emergência e quais são suas limitações?
- Modelos de machine learning são eficazes para prever eventos adversos a medicamentos em pacientes ambulatoriais?
- Os modelos clínicos de predição de neutropenia febril e seus desfechos são confiáveis para orientar decisões no consultório?
- Como a inteligência artificial está sendo aplicada na medicina de emergência e quais são os principais desafios?
- Qual é a acurácia de triagem e diagnóstica dos verificadores de sintomas online para o público leigo?
Todas as perguntas sobre IA em triagem e prontuário eletrônico · Todos os temas · Versão em markdown