IA em triagem e prontuário eletrônico

Modelos de machine learning são eficazes para prever eventos adversos a medicamentos em pacientes ambulatoriais?

Resposta

A predição de eventos adversos a medicamentos em contextos ambulatoriais é relevante para a segurança do paciente e para a identificação de indivíduos de maior risco. A revisão sistemática avaliou algoritmos de machine learning desenvolvidos ou validados para essa finalidade, considerando estudos focados em atenção ambulatorial ou que utilizaram fontes de dados de grande escala, como prontuários eletrônicos, bases administrativas de sinistros e sistemas de notificação espontânea.

Foram incluídos 59 estudos, que compreenderam 191 implementações de machine learning. Os algoritmos mais frequentemente empregados foram regressão logística, Random forest e XGBoost. A maioria dos estudos relatou a área sob a curva, e a maior parte das validações internas demonstrou desempenho moderado a alto, com AUC acima de 0,70.

Apesar desse desempenho promissor, a revisão apontou fragilidades metodológicas importantes. Apenas uma minoria dos estudos abordou o desequilíbrio entre classes, e uma parcela ainda menor realizou validação externa. O risco de viés foi avaliado com a ferramenta PROBAST, e as preocupações incluíram o manejo de dados ausentes e os procedimentos de validação.

Os achados sugerem que modelos de machine learning, sobretudo métodos de ensemble, têm potencial para prever eventos adversos a medicamentos. No entanto, as limitações relacionadas ao desequilíbrio de classes e à validação externa restrita impedem, no momento, a aplicação clínica generalizada. A revisão recomenda que pesquisas futuras adotem metodologias mais rigorosas e desenvolvam frameworks especializados que se apoiem nas práticas estabelecidas de farmacovigilância.

O que o estudo mostrou

Trata-se de revisão sistemática com busca em MEDLINE e Embase até dezembro de 2024, incluindo 59 estudos e 191 implementações de machine learning para predição de eventos adversos a medicamentos. Regressão logística, Random forest e XGBoost foram os algoritmos mais usados. A maioria dos estudos (67,8%) relatou AUC, e 85% demonstraram desempenho moderado a alto (AUC > 0,70) na validação interna. Apenas 33,9% trataram o desequilíbrio entre classes e 18,6% realizaram validação externa.

Limitações

O resumo não informa detalhes sobre a população específica dos estudos nem sobre os tipos de eventos adversos avaliados. As principais limitações apontadas são metodológicas: poucos estudos abordaram o desequilíbrio entre classes e a validação externa foi realizada por uma minoria, o que restringe a generalização dos achados. O resumo também não detalha os resultados da avaliação de risco de viés pelo PROBAST.

Aplicação no consultório

Os achados ainda não sustentam a incorporação rotineira desses modelos na prática clínica ambulatorial, dada a escassez de validação externa. Para o médico, o estudo reforça a importância de avaliar criticamente ferramentas preditivas antes de adotá-las. Na gestão do consultório, investir em registros eletrônicos estruturados e em qualidade de dados pode preparar a base para futuras aplicações, mas a decisão de adotar modelos de machine learning deve considerar a necessidade de validação no próprio contexto assistencial.

Estudo citado

Machine learning methods for predicting adverse drug events: A systematic review. British journal of clinical pharmacology, 2026.
Autores: Chalabianloo N, Ahmadi F, Omrani MA, Abdullah SS, Rostamzadeh N, Jafari A, Izzedin L, Sedig K, Muanda FT.
DOI: 10.1002/bcp.70377 · PubMed: PMID 41346001

Perguntas para aprofundar

• Quais algoritmos de machine learning são mais usados para prever eventos adversos a medicamentos?
• Por que a validação externa é importante em modelos preditivos de eventos adversos a medicamentos?
• Como o desequilíbrio entre classes afeta o desempenho de modelos de machine learning na predição de eventos adversos a medicamentos?

Mais sobre IA em triagem e prontuário eletrônico

• Quais métodos estatísticos e de aprendizado de máquina são usados para detectar reações adversas a medicamentos?
• Incorporar informações de texto livre de prontuários eletrônicos aos códigos melhora a detecção de casos em pesquisas clínicas?
• Modelos de fundação treinados em prontuário eletrônico estruturado já têm evidência suficiente para uso clínico?
• Aprendizado de máquina e aprendizado profundo são eficazes para prever mortalidade por sepse usando prontuário eletrônico?
• Modelos de machine learning baseados em prontuário eletrônico são eficazes para prever eventos adversos a medicamentos?

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