# Modelos de machine learning são eficazes para prever infecção por Clostridioides difficile e suas complicações?

> Revisão sistemática de doze estudos retrospectivos mostrou que modelos de machine learning, principalmente random forest e gradient boosting, têm desempenho variável na predição de incidência, recorrência e complicações da infecção por C. difficile, com AUC entre 0,60 e 0,88. Não houve superioridade clara sobre a regressão logística, e a falta de validação externa limita a aplicação clínica.

Estudo citado: Tariq R, Malik S, Redij R, Arunachalam S, Faubion WA, Khanna S. Machine Learning-Based Prediction Models for Clostridioides difficile Infection: A Systematic Review. Clinical and translational gastroenterology. 2024. DOI: https://doi.org/10.14309/ctg.0000000000000705. PubMed: https://pubmed.ncbi.nlm.nih.gov/38661188/

## Resposta

A infecção por Clostridioides difficile (CDI) é um desafio clínico e sua predição ainda é difícil. Esta revisão sistemática avaliou o desempenho de modelos de machine learning (ML) na predição da incidência e complicações da CDI utilizando dados clínicos de prontuários eletrônicos.

Foram incluídos doze estudos retrospectivos que empregaram técnicas de ML para prever CDI ou seus desfechos. Os modelos mais utilizados foram random forest e gradient boosting. A área sob a curva ROC variou de 0,60 a 0,81 para incidência, 0,59 a 0,80 para recorrência e 0,64 a 0,88 para complicações. Modelos avançados de ML tiveram desempenho semelhante à regressão logística tradicional.

Os autores destacam heterogeneidade nas definições de CDI e dos desfechos, além da falta de validação externa na maioria dos estudos. Essas limitações dificultam a implementação clínica dos modelos. Pesquisas futuras devem focar em validação externa e definições padronizadas.

Para o médico, os resultados sugerem que modelos de ML podem auxiliar na estratificação de risco, mas ainda não estão prontos para uso rotineiro. A decisão clínica deve considerar as limitações e a necessidade de validação local antes da adoção.

## O que o estudo mostrou

Revisão sistemática de doze estudos retrospectivos que avaliaram modelos de machine learning para predição de incidência e/ou desfechos de CDI. Os modelos mais comuns foram random forest e gradient boosting. A AUC variou de 0,60 a 0,81 para incidência, 0,59 a 0,80 para recorrência e 0,64 a 0,88 para complicações. Modelos avançados tiveram desempenho similar à regressão logística. Houve heterogeneidade nas definições de CDI e falta de validação externa na maioria dos estudos.

## Limitações

O resumo não informa o número total de pacientes ou o tamanho das amostras dos estudos incluídos. Todos os estudos eram retrospectivos, e a maioria não realizou validação externa. Houve heterogeneidade nas definições de CDI e dos desfechos, o que limita a comparabilidade e a generalização dos achados.

## Aplicação no consultório

Os modelos de ML ainda não devem ser usados como ferramenta isolada na prática clínica diária para predizer CDI, devido à falta de validação externa e à heterogeneidade das definições. No consultório, o médico pode considerar esses modelos como apoio futuro, mas a decisão clínica deve permanecer baseada em fatores de risco tradicionais e julgamento clínico. A gestão do consultório pode se preparar para incorporar ferramentas de IA quando validadas localmente, mas sem substituir a avaliação clínica.

## Perguntas para aprofundar

- Quais fatores de risco clínicos são mais importantes para prever infecção por Clostridioides difficile?
- Como a regressão logística se compara aos modelos de machine learning na predição de CDI?
- Quais são os desafios para implementar modelos de machine learning na prática clínica diária?

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

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