Avaliação do desempenho diagnóstico e impacto clínico da IA na esteatose hepática: revisão sistemática e meta-análise

MetanáliseNível 1 · Evidência consolidadaJournal of medical Internet research13 jan 20261 citações

O que aconteceu

O aumento global da doença hepática gordurosa associada ao metabolismo reflete a necessidade urgente de abordagens diagnósticas precisas e não invasivas. A natureza invasiva da biópsia hepática e a sensibilidade limitada da ultrassonografia na detecção precoce da esteatose evidenciam uma lacuna diagnóstica crítica. A inteligência artificial (IA) emergiu como uma ferramenta transformadora, possibilitando a detecção e classificação automatizada da esteatose hepática (SH) a partir de dados de imagem médica. Esta revisão tem como objetivo avaliar quantitativamente o desempenho diagnóstico de modelos de IA para HS, explorar fontes de heterogeneidade interestudo e proporcionar uma avaliação de sua aplicabilidade clínica, potencial translacional e as principais barreiras que impedem a implantação generalizada. As bases de dados PubMed, Cochrane Library, Embase, Web of Science e IEEE Xplore foram pesquisadas até 24 de setembro de 2025. Foram incluídos estudos utilizando IA para diagnóstico de HS, atendendo à estrutura pré-definida de PIRT (Seleção de Pacientes, Teste de Índice, Padrão de Referência, Fluxo e Tempo) e fornecendo dados extraíveis. Os indicadores de desempenho diagnóstico, incluindo sensibilidade, especificidade e área sob a curva característica de operação do receptor sumário (AUC), foram extraídos e sintetizados quantitativamente. As metanálises foram realizadas utilizando um modelo bivariado de efeitos aleatórios. A qualidade metodológica e o risco de viés foram avaliados utilizando o instrumento QUADAS-2 (Quality Assessment of Diagnostic Accuracy Studies 2). A heterogeneidade foi avaliada por meio da estatística I2, gráficos bivariados, IPs de 95% e análise de efeito limiar. A aplicabilidade clínica foi examinada por meio dos testes de nomograma Fagan e razão de verossimilhança.

O que encontraram

Foram identificados 36 estudos elegíveis, dos quais 33 (compondo 36 coortes) foram incluídos nas análises de subgrupos. Os resultados demonstraram excelente acurácia diagnóstica de modelos de IA, com sensibilidade sumária de 0,95 (IC 95% 0,93-0,96), especificidade de 0,93 (IC 95% 0,91-0,94) e AUC de 0,98 (IC 95% 0,96-0,99). Análise clínica de aplicabilidade (razão de verossimilhança positiva > 10; razão de verossimilhança negativa 75%). Segundo QUADAS-2, um alto risco de viés, particularmente no domínio Seleção de Pacientes (44,4%), pode ter contribuído para a superestimação do desempenho no mundo real. Análises de subgrupos mostraram que os modelos de aprendizagem profunda superaram significativamente as abordagens tradicionais de aprendizagem de máquina (AUC: 0,98 vs 0,94). Modelos utilizando referências ultrassonográficas ou histopatológicas, desenhos retrospectivos, aprendizado de transferência e conjuntos de dados públicos obtiveram a maior acurácia (AUC 0,98-0,99), mas contribuíram para heterogeneidade interestudo.

Por que isso importa

A IA demonstra notável potencial para triagem e avaliação não invasiva da EH, especialmente na atenção primária. No entanto, a tradução clínica permanece limitada pela variabilidade de desempenho, desenhos retrospectivos, falta de validação externa, barreiras práticas como privacidade de dados e integração de fluxo de trabalho. Estudos futuros devem priorizar estudos multicêntricos prospectivos e validação externa padronizada para colmatar o hiato entre as evidências atuais e a aplicação clínica. A inovação fundamental desta revisão reside no estabelecimento de um quadro analítico unificado, de modalidade diagnóstica, que integre evidências além das avaliações de monomodalidade.

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.