Há evidências para o uso de algoritmos preditivos de IA na APS?

A Atenção Primária à Saúde (APS) enfrenta desafios crescentes com a multimorbidade e o envelhecimento da população, muitas vezes agravados pela ausência ou dificuldade de fixação de profissionais de saúde. As técnicas de machine learning, ou aprendizado de máquina (ML) podem ser promissoras no sentido de ajudar a enfrentar essas dificuldades, melhorando a prevenção, o diagnóstico precoce e o tratamento de doenças. Contudo, ainda existem preocupações sobre a transparência, validação e eficácia dessas ferramentas na prática clínica. 

O estudo “Availability of Evidence for Predictive Machine Learning Algorithms in Primary Care“, publicado na revista JAMA Network Open, investigou a evidência disponível sobre a implementação de algoritmos preditivos de ML na APS. A pesquisa realizou uma revisão sistemática utilizando as bases de dados acadêmicas PubMed e Embase e as bases regulatórias da US Food and Drug Administration (FDA) e da Conformité Européene (CE), buscando identificar quais algoritmos preditivos de ML estavam aprovados ou em uso e quais evidências suportavam sua qualidade. Foram considerados estudos publicados entre 2000 e 2023 que tratassem da implementação de algoritmos preditivos na atenção primária. A avaliação da qualidade dos algoritmos foi baseada nas diretrizes AIPA, desenvolvidas pelo Ministério da Saúde da Holanda, que propõem critérios para todas as fases do ciclo de vida de uma IA, sumarizados abaixo: 

Estrutura da Avaliação da Diretriz AIPA: 

• Fase 1 – Preparação: Planejamento de coleta, processamento e armazenamento de dados, garantindo sua qualidade e acessibilidade. 

• Fase 2 – Desenvolvimento: Definição do propósito do algoritmo, etapas de modelagem e análise, validação interna (verificação do desempenho do modelo com os dados de treinamento), robustez, tamanho do conjunto de dados. 

• Fase 3 – Validação: Validação Externa (teste do modelo com novos dados), avaliação de imparcialidade e de vieses algorítmicos, reprodutibilidade e replicabilidade. 

• Fase 4 – Aplicação de Software: transparência, avaliação da interface de uso e adequação às regulamentações. 

• Fase 5 – Avaliação de Impacto: medição do efeito do algoritmo na prática clínica, comparação dos benefícios clínicos com os riscos e com os custos. 

• Fase 6 – Implementação: plano de Implementação, monitoramento, capacitação dos usuários para aplicar o algoritmo corretamente. 

Dos 43 algoritmos identificados, 25 estavam disponíveis comercialmente e eram aprovados pelo FDA ou CE. A maioria dos algoritmos (63%) se concentrava em doenças cardiovasculares e diabetes. A disponibilidade de evidências variou significativamente entre as fases do ciclo de vida da IA, sendo mais escassa nas fases de preparação (19%) e avaliação de impacto (30%). Apenas 28% dos algoritmos alcançaram metade da pontuação máxima de evidência disponível. Aqueles identificados na literatura científica forneceram mais evidências (45%) em comparação com os encontrados apenas nas bases de dados regulatórias (29%). 

Veja mais: Como a IA pode ajudar nos diagnósticos e otimizar o trabalho médico?

Embora haja um interesse crescente na aplicação de ML na atenção primária, o estudo destaca a falta de evidências transparentes e consistentes sobre a qualidade desses algoritmos no momento. Isso é preocupante, pois a implementação em larga escala requer consistência científica, evidências de benefício e confiança por parte dos profissionais de saúde. A adoção de diretrizes, como a AIPA, pode ajudar a padronizar a coleta de dados e a divulgação de informações, promovendo a possibilidade de revisão por pares, a confiabilidade e uma maior facilidade de utilizar essas ferramentas na prática clínica. 

A implementação de algoritmos preditivos de ML na atenção primária é promissora, mas ainda preliminar. É necessário melhorar a transparência e a disponibilidade de evidências para garantir a segurança e a eficácia dessas ferramentas. Profissionais de saúde devem fazer uso de julgamento crítico – e clínico – ao adotar essas tecnologias, e mais estudos são necessários para validar seu impacto e sua confiabilidade.