Aprendizado de máquina para predição de resultado funcional após cirurgia de schwannoma vestibular: revisão sistemática e metanálise de acurácia do teste diagnóstico
NeurologiaO que aconteceu
Modelos de aprendizado de máquina (ML) têm sido cada vez mais aplicados para predizer disfunção do nervo facial pós-operatório e preservação auditiva após a cirurgia de schwannoma vestibular (VS). Entretanto, o desempenho relatado varia substancialmente, e a acurácia diagnóstica global e a confiabilidade clínica desses modelos permanecem incertas. Realizamos uma revisão sistemática e uma metanálise de acurácia do teste diagnóstico para caracterizar o estado atual e a prontidão metodológica da previsão baseada em ML desses desfechos. PubMed, Embase e CENTRAL foram pesquisados desde o início até fevereiro de 2026. Foram incluídos estudos que avaliaram a predição baseada em ML da função do nervo facial ou preservação da audição após a cirurgia de VS. As métricas de desempenho diagnóstico foram agrupadas utilizando-se modelos mistos lineares generalizados de efeitos aleatórios. A sensibilidade, especificidade, razão de chances diagnósticas e AUC foram sintetizadas e as curvas SROC foram construídas. A síntese primária pré-especificada reuniu o melhor modelo único por estudo; os efeitos de pequeno estudo foram avaliados pelo teste de Deeks. Foram avaliados o risco de viés (PROBAST) e a certeza de evidência (GRADE).
O que encontraram
Dez estudos de coorte retrospectivos com 1270 pacientes e 56 modelos de ML atenderam aos critérios de inclusão. Na análise primária pré-especificada agrupando o melhor modelo único por estudo, a AUC resumida foi de 0,91 para disfunção do nervo facial (sensibilidade 0,89, especificidade 0,86) e 0,92 para preservação da audição (sensibilidade 0,88, especificidade 0,96). O agrupamento de todos os modelos em dados de testes realizados deu uma AUC do nervo facial de 0,81; os dados do conjunto de testes foram muito esparsos para uma estimativa auditiva estável, para a qual apenas o desempenho do treinamento pôde ser agrupado (AUC 0,79). O tamanho do tumor, a idade, a localização do tumor e o estado auditivo basal foram os preditores influentes mais frequentemente identificados. A maioria dos estudos apresentava risco de viés pouco claro ou elevado (PROBAST não possui categoria intermediária "moderada", e a certeza de evidência foi moderada para disfunção do nervo facial e baixa para preservação da audição, refletindo efeitos significativos de pequeno estudo (Deeks' p = 0,004).
Por que isso importa
Modelos baseados em ML demonstram discriminação promissora para predizer os resultados do nervo facial pós-operatório e da audição após a cirurgia de SV. Entretanto, heterogeneidade, validação externa limitada e relato inconsistente de restrição de calibração inferência quanto à transportabilidade e implementação clínica.
Tradução automática do resumo original, publicado em Journal of neuro-oncology sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
Machine learning for functional outcome prediction after vestibular schwannoma surgery: a systematic review and diagnostic test accuracy meta-analysis
Shiva A Nischal, Shaan Patel, Musa China, Kush M Kale, Yi-Hein Chai, Santosh Guru, William R Muirhead, Patrick Grover
Descritores MeSH
- Neuroma, Acoustic
- Postoperative Complications
- Neurosurgical Procedures
- Machine Learning
- Humans
- Soft Computing
- Predictive Learning Models