Apoio à decisão de IA para a triagem de emergência de oclusão de grandes vasos usando Tomografia computadorizada sem contraste: Revisão Sistemática e Teste Diagnóstico Bayesiano Meta-Análise da Rede de Exatidão
Saúde PúblicaO que aconteceu
A triagem de emergência da circulação anterior oclusão de grandes vasos (LVO) é restringida por atrasos na imagem vascular, interpretação especializada e tomada de decisão de transferência. A tomografia computadorizada não-contraste (TCNC) é frequentemente obtida primeiro em suspeita de acidente vascular cerebral, mas o reconhecimento visual do LVO em imagens de TCNC é difícil fora do ambiente especializado. A I.A. baseada em NCCT pode fornecer um sinal de escalada humano precoce. Este estudo teve como objetivo comparar paradigmas validados de IA baseados em NCCT com paradigmas de leitor humano para detecção de circulação anterior VVO e avaliar se as evidências atuais suportam avaliação prospectiva de vias de escalada assistidas por IA. Foram pesquisadas as bases de dados PubMed, Embase, Web of Science Core Collection e Cochrane Library desde o início até 24 de maio de 2026. Estudos elegíveis avaliaram a detecção de LVO baseada em NCCT em conjuntos de dados de validação independentes do desenvolvimento do modelo, incluídos em comparações cabeça-a-cabeça do estudo e forneceram dados reconstruíveis 2 × 2. Foram comparados quatro nós: leitores especialistas, leitores não especialistas, imagem unimodal IA e IA multimodal clinicamente informada. Uma meta-análise bivariada bivariada de acurácia diagnóstica da rede de meta-análises estimou sensibilidade, especificidade, razão de chances diagnósticas e diferenças absolutas. O risco de viés e aplicabilidade foi avaliado utilizando-se o Modelo de Predição de Risco de Avaliação de Bias para IA e a Avaliação de Qualidade Complementar de Estudos de Precisão Diagnósticos-3, e a certeza foi avaliada utilizando-se o Grading of Recommendations Assessment, Development, and Evaluation (GRADE). PROSPERO CRD420261362111; https://www.crd.york.ac.uk/PROSPERO/view/CRD420261362111.
O que encontraram
Todos os 10 estudos incluídos foram estudos de validação retrospectiva, compreendendo 11 conjuntos de dados de validação, 28 braços de nó de estudo e 3632 pacientes. A IA unimodal apresentou sensibilidade de 0,78 (intervalo de confiança 95% 0,68-0,86), especificidade de 0,88 (intervalo de credibilidade 95% 0,81-0,94) e razão de chances diagnóstica de 30,89 (intervalo de credibilidade 95% 14,19-60,27). Os leitores especialistas e os leitores não especialistas apresentaram menores estimativas de sensibilidade de 0,62 (intervalo de credibilidade de 95% 0,48-0,75) e 0,60 (intervalo de credibilidade de 95% 0,45-0,75), respectivamente, com estimativas de especificidade semelhantes de 0,86. Nas comparações da tabela da liga, a IA unimodal mostrou maior sensibilidade do que os leitores peritos e não especialistas em 0,16 (intervalo de confiança 95% 0,03-0,29) e 0,18 (intervalo de credibilidade 95% 0,03-0,32), respectivamente, sem separação clara da especificidade. A IA multimodal clinicamente informada apresentou sensibilidade de 0,81 (intervalo de credibilidade de 95% 0,64-0,92) e especificidade de 0,92 (intervalo de credibilidade de 95% 0,80-0,98), mas este nó esparso foi ligado aos leitores humanos apenas através de evidências indiretas.
Por que isso importa
Em coortes de validação retrospectiva, houve evidência comparativa de baixa certeza sugerindo que IA baseada em NCCT, mais claramente unimodal imaging AI, tinha maior sensibilidade do que paradigmas de leitor humano, sem diferença clara na especificidade. Esses achados corroboram a avaliação prospectiva da IA baseada em NCCT como um prompt limitado humano-no-loop para revisão de especialistas, priorização da angiotomografia computadorizada, consulta por teleAVC ou discussão de transferência. A evidência permanece baseada na precisão e não estabelece a efetividade do fluxo de trabalho, aceleração da reperfusão ou benefício funcional do resultado.
Tradução automática do resumo original, publicado em Journal of medical Internet research sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
AI Decision Support for Emergency Triage of Large Vessel Occlusion Using Noncontrast Computed Tomography: Systematic Review and Bayesian Diagnostic Test Accuracy Network Meta-Analysis
Huiqing Zhou, Li Liu, Bolun Fu, Bin Cao, Jiafu Ma, Kun Yang, Yuzhen Bao, Fengyong Yang, Xin Lian
Descritores MeSH
- Artificial Intelligence
- Tomography, X-Ray Computed
- Triage
- Bayes Theorem
- Humans