IA em triagem e prontuário eletrônico

Dados estruturados ou não estruturados em modelos de machine learning para prever comportamento suicida apresentam desempenho semelhante?

Resposta

A revisão sistemática com meta-análise reuniu 31 estudos elegíveis que avaliaram modelos de machine learning para predição de risco de comportamento suicida. A análise combinada de todos os estudos resultou em uma AUC de 0.860, indicando bom nível de acurácia na predição do desfecho.

Quando os estudos foram separados pelo tipo de dado utilizado, aqueles baseados em dados estruturados (interpretáveis por humanos, como instrumentos psicométricos) apresentaram AUC de 0.873. Já os que empregaram dados não estruturados (interpretáveis apenas por máquinas, como registros eletrônicos de saúde) mostraram AUC de 0.866. A diferença entre os grupos foi pequena, sugerindo desempenho semelhante.

Os autores destacam que houve heterogeneidade substancial entre os estudos, e as fontes dessa heterogeneidade não puderam ser definidas. Apesar disso, os resultados indicam que ambas as abordagens de dados podem alcançar níveis adequados de acurácia na predição de risco de suicídio.

Para o médico, esses achados reforçam que modelos de machine learning podem auxiliar na triagem de risco suicida, independentemente do tipo de dado disponível. No entanto, a heterogeneidade e a impossibilidade de identificar suas fontes limitam a generalização dos resultados para contextos clínicos específicos.

A aplicação prática exige cautela: os modelos não substituem a avaliação clínica, mas podem complementar a triagem. A escolha entre dados estruturados e não estruturados dependerá da disponibilidade e qualidade das informações em cada serviço de saúde.

O que o estudo mostrou

Revisão sistemática com meta-análise de 31 estudos elegíveis sobre machine learning na predição de risco de suicídio. A AUC combinada de todos os estudos foi 0.860. Para dados estruturados, a AUC foi 0.873; para dados não estruturados, 0.866. Houve heterogeneidade substancial entre os estudos, cujas fontes não puderam ser definidas. Os autores concluem que os estudos mostraram bons níveis de acurácia na predição de comportamento de risco suicida, com resultados semelhantes entre dados estruturados e não estruturados, apesar de diferentes volumes e tipos de dados de entrada.

Limitações

O resumo não informa as características detalhadas dos estudos incluídos, como tamanho de amostra, populações ou tipos específicos de algoritmos. A heterogeneidade substancial entre os estudos não pôde ter suas fontes identificadas, o que limita a interpretação dos resultados agrupados. Além disso, o resumo não fornece informações sobre viés de publicação ou qualidade metodológica dos estudos originais.

Aplicação no consultório

Os achados sugerem que modelos de machine learning podem ser úteis na triagem de risco suicida, com acurácia semelhante usando dados estruturados ou não estruturados. Na prática clínica, isso significa que a escolha da abordagem pode depender da disponibilidade de dados no serviço. Para a gestão do consultório, investir na organização de dados estruturados (como escalas padronizadas) ou na integração de dados não estruturados (como registros eletrônicos) pode viabilizar o uso dessas ferramentas. No entanto, a heterogeneidade dos estudos e a falta de definição de suas fontes exigem cautela na implementação, sendo essencial validar os modelos no contexto local e mantê-los como apoio, não substitutos da avaliação clínica.

Estudo citado

Structured data vs. unstructured data in machine learning prediction models for suicidal behaviors: A systematic review and meta-analysis. Frontiers in digital health, 2022.
Autores: Hopkins D, Rickwood DJ, Hallford DJ, Watsford C.
DOI: 10.3389/fdgth.2022.945006 · PubMed: PMID 35983407

Perguntas para aprofundar

• Qual o desempenho de modelos de machine learning baseados em prontuários eletrônicos para predição de suicídio?
• Dados estruturados e não estruturados apresentam acurácia diferente na predição de risco suicida?
• Quais as limitações da heterogeneidade em meta-análises sobre machine learning e suicídio?

Mais sobre IA em triagem e prontuário eletrônico

• Modelos de aprendizado de máquina melhoram a predição de risco em cirurgia de urgência e qual é a qualidade metodológica desses estudos?
• Modelos de machine learning baseados em prontuário eletrônico são eficazes para prever eventos adversos a medicamentos?
• A inteligência artificial é útil para prever doenças cardiometabólicas em populações indígenas?
• Quais algoritmos de aprendizado de máquina têm sido aplicados em unidades de emergência e quais são suas limitações?
• A inteligência artificial já pode ser usada para diagnosticar apendicite aguda na prática clínica?

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