# Modelos de machine learning baseados em prontuário eletrônico são eficazes para prever eventos adversos a medicamentos?

> Sim, modelos de machine learning baseados em prontuário eletrônico apresentam desempenho geralmente forte para prever eventos adversos a medicamentos, com AUC média de 76,68% e especificidade combinada de 0,89. Random forest foi o algoritmo mais usado. A heterogeneidade entre estudos e a falta de padronização limitam a aplicação clínica imediata, mas os resultados são promissores.

Estudo citado: Hu Q, Chen Y, Zou D, He Z, Xu T. Predicting adverse drug event using machine learning based on electronic health records: a systematic review and meta-analysis. Frontiers in pharmacology. 2024. DOI: https://doi.org/10.3389/fphar.2024.1497397. PubMed: https://pubmed.ncbi.nlm.nih.gov/39605909/

## Resposta

A revisão sistemática com meta-análise reuniu 59 estudos que desenvolveram modelos de machine learning para prever eventos adversos a medicamentos (EAMs) a partir de dados de prontuário eletrônico. Foram cobertos 15 medicamentos e 15 EAMs específicos, e 38 algoritmos foram reportados. O random forest foi o mais frequente, seguido por support vector machine, XGBoost, árvore de decisão e LightGBM.

O desempenho dos modelos foi geralmente forte: AUC média de 76,68% ± 10,73, acurácia de 76,00% ± 11,26, precisão de 60,13% ± 24,81, sensibilidade de 62,35% ± 20,19, especificidade de 75,13% ± 16,60 e F1 de 52,60% ± 21,10. Na meta-análise, a sensibilidade combinada foi 0,65 (IC 95%: 0,65-0,66), especificidade 0,89 (IC 95%: 0,89-0,90), razão de chances diagnóstica 12,11 (IC 95%: 8,17-17,95) e AUC da curva SROC 0,8069.

Os fatores de risco associados variaram conforme o medicamento e o tipo de EAM, o que reforça a necessidade de modelos específicos para cada contexto. A heterogeneidade entre os estudos foi considerável, refletida nos intervalos de confiança e nos desvios-padrão das métricas. A revisão não informa a qualidade individual dos estudos incluídos nem o risco de viés.

Os autores concluem que pesquisas futuras devem focar em padronização, estudos multicêntricos com dados diversos e avaliação do impacto real dos modelos de inteligência artificial na prática clínica. A aplicação clínica imediata ainda é limitada, mas os resultados sugerem potencial para apoiar a identificação de pacientes em risco.

## O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu 59 estudos que desenvolveram modelos de machine learning para prever eventos adversos a medicamentos usando dados de prontuário eletrônico. Foram identificados 38 algoritmos, com random forest como o mais usado. O desempenho médio foi AUC de 76,68% ± 10,73, acurácia de 76,00% ± 11,26, sensibilidade de 62,35% ± 20,19 e especificidade de 75,13% ± 16,60. A meta-análise mostrou sensibilidade combinada de 0,65, especificidade de 0,89 e AUC SROC de 0,8069. Os fatores de risco variaram entre medicamentos e EAMs.

## Limitações

O resumo não informa a qualidade metodológica dos estudos incluídos, o risco de viés ou a heterogeneidade estatística detalhada. Também não descreve as populações ou os contextos clínicos. A ausência de padronização entre os estudos e a falta de validação externa limitam a generalização dos achados. O resumo não informa se os modelos foram avaliados em ambiente clínico real.

## Aplicação no consultório

Os achados sugerem que modelos de machine learning podem auxiliar na identificação de pacientes com risco de eventos adversos a medicamentos, mas ainda não estão prontos para uso rotineiro no consultório. O médico deve considerar a heterogeneidade dos modelos e a necessidade de validação local antes de adotá-los. Na gestão do consultório, investir em prontuário eletrônico estruturado e em equipe capacitada para interpretar alertas pode preparar o terreno para futuras implementações, sem substituir o julgamento clínico.

## Perguntas para aprofundar

- Quais algoritmos de machine learning têm melhor desempenho para prever eventos adversos a medicamentos em prontuários eletrônicos?
- Como a heterogeneidade entre estudos afeta a aplicabilidade clínica dos modelos preditivos de eventos adversos a medicamentos?
- Quais são os desafios para implementar modelos de inteligência artificial para prever eventos adversos a medicamentos na prática clínica?

Tema: IA em triagem e prontuário eletrônico. Página: https://alphadoctor.com.br/ciencia/ia-triagem-prontuario/modelos-de-machine-learning-baseados-em-prontuario-eletronico-sao-eficazes-para/

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