IA em triagem e prontuário eletrônico

Modelos preditivos baseados em aprendizado de máquina superam os modelos clínicos tradicionais na tromboembolia venosa?

Resposta

A revisão sistemática teve como objetivo explorar se o aprendizado de máquina pode aprimorar os modelos de predição clínica específicos para tromboembolia venosa, utilizando dados estruturados de prontuários eletrônicos. Foram incluídos 77 estudos após triagem em três bases de dados. A maioria dos trabalhos reportou que os modelos de aprendizado de máquina superaram os modelos tradicionais em termos de área sob a curva ROC nos quatro domínios clínicos avaliados: estratificação de risco, predição de desfechos, diagnóstico e tratamento.

Apesar do desempenho favorável, a qualidade metodológica dos estudos incluídos foi limitada: a maioria era retrospectiva, monocêntrica e não descrevia detalhadamente a arquitetura dos modelos nem realizava validação externa. Essas características são essenciais para auditoria de qualidade e para garantir a reprodutibilidade e a comparabilidade entre modelos. A revisão também identificou lacunas de pesquisa relacionadas à padronização de relatos e à necessidade de validação externa.

Os autores concluem que os modelos de aprendizado de máquina mostram promessa para melhorar a avaliação de risco e as recomendações de tratamento individualizadas na tromboembolia venosa. No entanto, há uma necessidade urgente de padronização de relatos e metodologia para modelos de aprendizado de máquina, além de estudos com validação externa, dados prospectivos e do mundo real, e estudos intervencionistas para avaliar o impacto da inteligência artificial na tromboembolia venosa.

Para o médico brasileiro, os achados sugerem que a incorporação desses modelos na prática clínica ainda requer cautela, dado o predomínio de estudos retrospectivos e monocêntricos. A ausência de validação externa e de descrição detalhada dos modelos limita a confiança nos resultados e a aplicabilidade em diferentes contextos. Portanto, a implementação rotineira desses modelos não está estabelecida, e são necessários mais estudos para confirmar seu valor.

A revisão reforça a importância de se avaliar criticamente a literatura sobre inteligência artificial em tromboembolia venosa, considerando as limitações metodológicas. O resumo não informa detalhes sobre a população dos estudos incluídos, como faixa etária ou comorbidades, nem sobre os tipos específicos de modelos de aprendizado de máquina utilizados. Essas informações são relevantes para a interpretação dos resultados e para a eventual aplicação clínica.

O que o estudo mostrou

Trata-se de uma revisão sistemática que incluiu 77 estudos, com busca em três bases de dados (PubMed, Google Scholar e IEEE electronic library). A maioria dos estudos reportou que os modelos de aprendizado de máquina superaram os modelos de predição clínica tradicionais em termos de área sob a curva ROC nos quatro domínios clínicos explorados: estratificação de risco, predição de desfechos, diagnóstico e tratamento. Contudo, a maioria dos estudos era retrospectiva, monocêntrica e carecia de descrição detalhada da arquitetura dos modelos e de validação externa.

Limitações

A principal limitação apontada pela revisão é que a maioria dos estudos incluídos era retrospectiva, monocêntrica e não realizou validação externa, o que compromete a qualidade e a generalização dos achados. Além disso, houve falta de padronização nos relatos e na metodologia dos modelos de aprendizado de máquina, dificultando a reprodutibilidade e a comparação entre estudos. O resumo não informa detalhes sobre as características das populações incluídas nem sobre os tipos específicos de modelos utilizados.

Aplicação no consultório

Os achados ainda não permitem incorporar rotineiramente modelos de aprendizado de máquina na prática clínica para tromboembolia venosa, devido à falta de validação externa e ao predomínio de estudos retrospectivos. O médico deve manter os modelos tradicionais como base para decisões, enquanto acompanha a evolução das pesquisas. Na gestão do consultório, é importante avaliar criticamente ferramentas de inteligência artificial antes de adotá-las, priorizando aquelas com validação em populações locais e com relatos metodológicos transparentes.

Estudo citado

Machine Learning-Based Predictive Models for Patients with Venous Thromboembolism: A Systematic Review. Thrombosis and haemostasis, 2024.
Autores: Danilatou V, Dimopoulos D, Kostoulas T, Douketis J.
DOI: 10.1055/a-2299-4758 · PubMed: PMID 38574756

Perguntas para aprofundar

• Quais são as lacunas metodológicas nos estudos de aprendizado de máquina para tromboembolia venosa?
• Como a validação externa impacta a aplicabilidade clínica dos modelos de aprendizado de máquina em tromboembolia venosa?
• Quais domínios clínicos da tromboembolia venosa já foram explorados com modelos de aprendizado de máquina?

Mais sobre IA em triagem e prontuário eletrônico

• A inteligência artificial melhora a predição de risco cardiovascular 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?
• A inteligência artificial já pode ser usada na prática clínica para detectar, prever e classificar a neuropatia periférica diabética?
• A inteligência artificial já pode ser usada para diagnosticar apendicite aguda na prática clínica?
• Os modelos de predição de risco para pancreatite pós-CPRE têm boa discriminação e podem orientar a estratificação de risco na prática clínica?

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