IA em triagem e prontuário eletrônico

Aprendizado de máquina pode prever a resposta ao tratamento com DMARDs biológicos e sintéticos-alvo em artrite reumatoide?

Resposta

A revisão de escopo teve como objetivo sintetizar a literatura sobre métodos de aprendizado de máquina para prever a resposta ao tratamento com medicamentos modificadores do curso da doença biológicos e sintéticos-alvo (b/tsDMARDs) em pacientes com artrite reumatoide. Foram incluídos 24 estudos, a maioria utilizando dados do mundo real de registros (12, 50%) e prontuários eletrônicos (4, 17%).

Os modelos de aprendizado de máquina mais frequentemente aplicados foram árvores impulsionadas, florestas aleatórias, máquinas de vetores de suporte e regressão regularizada. Os desfechos avaliados incluíram remissão, baixa atividade da doença e não resposta ao tratamento. Preditores basais comuns foram atividade da doença, biomarcadores, estado funcional e medidas relatadas pelo paciente.

O desempenho dos modelos, medido pela área sob a curva ROC (AUC), variou de 0,54 a 0,92, com média de 0,71. Árvores impulsionadas e redes neurais frequentemente apresentaram os melhores resultados. No entanto, a validação externa foi rara (7 estudos, 17,5%), e a maioria dos estudos apresentou risco de viés baixo a moderado (32, 80%).

Os autores concluem que os métodos de aprendizado de máquina estão cada vez mais sendo usados para prever a resposta ao tratamento da artrite reumatoide, mas variam amplamente em metodologia e desempenho. Padronização, validação externa e relato transparente são críticos para avançar na aplicação clínica.

O que o estudo mostrou

Revisão de escopo seguindo PRISMA-ScR, com busca sistemática em PubMed, MEDLINE e Embase até março de 2024. De 294 citações, 24 estudos preencheram os critérios de inclusão. A maioria usou dados de registros (12, 50%) e prontuários eletrônicos (4, 17%). Tamanhos amostrais variaram de 39 a 7.300 (mediana 494). Modelos mais usados: árvores impulsionadas, florestas aleatórias, máquinas de vetores de suporte e regressão regularizada. Desfechos: remissão, baixa atividade da doença e não resposta. AUC variou de 0,54 a 0,92 (média 0,71). Validação externa em 7 estudos (17,5%). Risco de viés baixo a moderado em 32 estudos (80%).

Limitações

O resumo não informa detalhes sobre a qualidade dos dados primários, heterogeneidade das populações ou critérios específicos de inclusão. A validação externa foi rara, e a maioria dos estudos apresentou risco de viés baixo a moderado, mas não foram detalhados os domínios do QUIPS. A ampla variação metodológica e de desempenho limita a generalização dos achados. O resumo também não informa sobre a aplicabilidade dos modelos em diferentes contextos clínicos ou sobre a disponibilidade dos preditores na prática.

Aplicação no consultório

Os achados indicam que modelos de aprendizado de máquina podem auxiliar na predição de resposta a b/tsDMARDs, mas ainda não estão prontos para uso rotineiro devido à falta de validação externa e padronização. Na prática clínica, o médico deve considerar que a ferramenta pode apoiar decisões, mas não substituir o julgamento clínico. Para gestão do consultório, é importante acompanhar o desenvolvimento de modelos validados e avaliar a viabilidade de integrar preditores disponíveis, como atividade da doença e biomarcadores, em sistemas de apoio à decisão.

Estudo citado

Machine learning for predicting treatment response to biologic and targeted synthetic disease-modifying antirheumatic drugs in rheumatoid arthritis: a scoping review. BMC rheumatology, 2025.
Autores: Eriakha EB, Han Y, Li M, Li J, Huang Y.
DOI: 10.1186/s41927-025-00584-x · PubMed: PMID 41219784

Perguntas para aprofundar

• Quais são os principais preditores de resposta a b/tsDMARDs em artrite reumatoide segundo os modelos de aprendizado de máquina?
• Como a validação externa de modelos de aprendizado de máquina pode ser incorporada na prática reumatológica?
• Quais são os desafios para implementar modelos de aprendizado de máquina na predição de resposta terapêutica em consultórios?

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?
• A inteligência artificial melhora a predição de risco cardiovascular na prática clínica?
• A inteligência artificial já pode ser usada para diagnosticar apendicite aguda na prática clínica?
• Modelos de aprendizado de máquina melhoram a predição de risco em cirurgia de urgência e qual é a qualidade metodológica desses estudos?
• Aprendizado de máquina e aprendizado profundo são eficazes para prever mortalidade por sepse usando prontuário eletrônico?

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