Aprendizagem de máquina e aprendizagem profunda para o diagnóstico de doenças degenerativas cervicais: Revisão sistemática e meta-análise
Medicina e TecnologiaO que aconteceu
As doenças degenerativas cervicais são um problema de saúde pública mundial, e sua incidência está aumentando em todo o mundo. Embora um número crescente de estudos sobre aprendizagem tradicional de máquina (TML) e aprendizagem profunda (DL) tenham sido realizados na detecção e segmentação de doenças degenerativas cervicais e tenham relatado resultados promissores específicos de tarefas, o desempenho desses modelos ainda não foi sistematicamente analisado. Esta revisão sistemática e metanálise teve como objetivo resumir e avaliar as evidências existentes sobre as abordagens de LMT e LD para o diagnóstico de doenças degenerativas cervicais, orientando de forma abrangente futuras pesquisas e aplicações clínicas. Esta revisão sistemática foi conduzida de acordo com as diretrizes PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). Uma pesquisa bibliográfica abrangente foi realizada no PubMed, Embase, Cochrane Library, Web of Science, Scopus, e no Instituto de Engenheiros Elétricos e Eletrônicos (IEEE Xplore) de janeiro de 2000 a junho de 2026, complementado pela busca por citações atrasadas e avançadas no Scopus. Foram incluídos estudos que avaliaram os algoritmos de LMT e LD para o diagnóstico de doenças degenerativas cervicais por meio de imagem médica. A qualidade metodológica foi avaliada utilizando a ferramenta Quality Assessment of Diagnostic Accuracy Studies 2 (QUADAS-2) e a ferramenta Quality Assessment of Diagnostic Accuracy Studies AI (QUADAS-AI). Para a meta-análise de acurácia diagnóstica primária, os dados foram sintetizados utilizando um modelo bivariado de regressão logística de efeitos mistos. Sensibilidade e especificidade foram resumidas separadamente usando meta-análise de efeitos aleatórios com o ajuste de Knapp-Hartung, e intervalos de predição de 95% (PIs) foram relatados. A certeza de evidência foi avaliada utilizando a abordagem GRADE (Grading of Recommendations Assessment, Development and Evaluation).
O que encontraram
Esta revisão sistemática incluiu 30 estudos, dos quais 21 envolveram um total de 25.301 pacientes incluídos na meta-análise. A sensibilidade e especificidade agrupadas foram 0,92 (IC 95% 0,89-0,96; IP 95% 0,80-1,00) e 0,88 (IC 95% 0,84-0,91; IP 95% 0,72-1,00), respectivamente. A razão de verossimilhança positiva (RR) foi de 8,36 (IC 95% 6,14-11,36) e a LR negativa foi de 0,07 (IC 95% 0,04-0,11). A área sob a curva SROC foi de 0,96 (IC 95% 0,94-0,97). Análises de abandono não alteraram materialmente as estimativas agrupadas. Alto risco de viés foi identificado em 4 estudos utilizando QUADAS-2 e em 17 usando QUADAS-AI. A certeza global das evidências foi classificada como baixa de acordo com a abordagem do GRADE.
Por que isso importa
Os modelos de LMT e LD demonstraram desempenho diagnóstico satisfatório para doenças degenerativas cervicais, embora a validação externa tenha sido limitada. Ao contrário das revisões previamente publicadas neste campo, este estudo fornece estimativas conjuntas do desempenho diagnóstico da LMT e da LD para doenças degenerativas cervicais e indica que, dada a heterogeneidade entre estudos e baixa certeza de evidência, a IA deve ser utilizada atualmente como suporte de decisão clínica e não como substituto independente para médicos.
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
Machine Learning and Deep Learning for the Diagnosis of Cervical Degenerative Diseases: Systematic Review and Meta-Analysis
Hongwei Duan, Ruiyuan Chen, Minghui Liang, Liqian Wang, Tianyi Wang, Aobo Wang, Ziqian Ma, Yu Xi, Shuo Yuan, Ning Fan et al.
Descritores MeSH
- Machine Learning
- Deep Learning
- Cervical Vertebrae
- Female
- Humans