Desempenho de Ferramentas de Triagem Baseadas em IA para Apneia Obstrutiva do Sono Através dos Limiares do Índice Apneia-Hypopneia: Revisão Sistemática e Meta-Análise
NeurologiaO que aconteceu
A apneia obstrutiva do sono (AOS) é altamente prevalente, mas permanece substancialmente subdiagnosticada. Polissonografia (PSG) é o padrão de referência, mas seu custo e disponibilidade limitada limitam a identificação de casos em grande escala. As ferramentas de triagem baseadas em IA podem apoiar a estratificação de risco e a priorização do encaminhamento, mas sua acurácia diagnóstica através dos limiares do índice de apneia-hipopneia (IAH) permanece incerta. Esta revisão teve como objetivo avaliar sistematicamente a acurácia diagnóstica de ferramentas de triagem de AOS baseadas em IA com limiares de IAH ≥5, ≥15 e ≥30 eventos/hora, com ênfase em modelos utilizando insumos não derivados de PSG. PubMed, Embase, Scopus e Web of Science foram pesquisados por estudos publicados de 1o de janeiro de 2016 a 3 de maio de 2026. Estudos elegíveis incluíram adultos avaliados para suspeita de AOS ou recrutados de coortes de base populacional, avaliaram modelos baseados em IA destinados ou interpretáveis para triagem de AOS, predição de risco ou classificação de gravidade orientada para rastreamento, utilizaram o PSG como padrão de referência e relataram dados suficientes para construir ou reconstruir tabelas de contingência 2×2. A acurácia diagnóstica foi sintetizada separadamente pelo limiar do IAH e fonte de entrada utilizando modelos bivariados de efeitos aleatórios, com ICs 95% e intervalos de predição (PIs). O risco de viés e certeza de evidência foi avaliado utilizando QUADAS-2 (Quality Assessment of Diagnostic Accuracy Studies 2) e GRADE (Grading of Recommendations Assessment, Development, and Evaluation), respectivamente.
O que encontraram
Foram incluídos 60 estudos, dos quais 47 contribuíram com dados para a meta-análise. Nos limiares do IAH ≥5, ≥15 e ≥30 eventos/hora, as sensibilidades agrupadas foram de 0,94 (IC 95% 0,92-0,96; IP 95% 0,71-0,99), 0,87 (IC 95% 0,84-0,89; IP 95% 0,66-0,96) e 0,83 (IC 95% 0,79-0,87; IP 95% 0,61-0,94), respectivamente; as especificidades correspondentes foram de 0,77 (IC 95% 0,69-0,84; IP 95% 0,30-0,96), 0,81 (IC 95% 0,75-0,85; IP 95% 0,39-0,96) e 0,91 (IC 95% 0,87-0,94; IP 95% 0,55-0,99), respectivamente. As áreas correspondentes sob as curvas características de operação do receptor sumário foram 0,943, 0,907 e 0,920. Para as ferramentas não derivadas do GPS, as sensibilidades foram de 0,92, 0,85 e 0,81 e as especificidades de 0,70, 0,74 e 0,85 nos 3 limiares, respectivamente. Para os modelos derivados do PSG, as sensibilidades foram de 0,96, 0,90 e 0,85, e as especificidades de 0,82, 0,88 e 0,96, respectivamente. Análises exploratórias de subgrupos sugeriram variação de desempenho entre as características selecionadas do estudo e do modelo, incluindo região, estrutura algorítmica, fonte de dados e método de validação.
Por que isso importa
As ferramentas baseadas em IA mostraram desempenho de triagem favorável para AOS em todos os limiares de IAH clinicamente relevantes, embora os IPs amplos sugiram desempenho variável em futuras populações e configurações comparáveis. Ao sintetizar a acurácia diagnóstica através de 3 limiares de IAH e distinguir modelos não derivados de PSG derivados de PSG, esta revisão estende revisões anteriores amplas ou específicas de modalidade e oferece uma base clinicamente interpretável, específica de caminho para vincular o desempenho do modelo ao uso pretendido. Os achados podem esclarecer potenciais papéis para ferramentas não derivadas de PSG na triagem de front-end e priorização de encaminhamento e para modelos derivados de PSG na avaliação de canais reduzidos e no suporte de fluxo de trabalho de sono-laboratório. Dada a heterogeneidade substancial, a validação externa limitada e a baixa ou muito baixa certeza de evidência, a validação prospectiva é necessária antes da implementação rotineira.
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
Performance of AI-Based Screening Tools for Obstructive Sleep Apnea Across Apnea-Hypopnea Index Thresholds: Systematic Review and Meta-Analysis
Yujia Lv, Lihui Zhou, Sihan Jiao, Jiaying Lin, Boran Sun, Haixia Hao, Chenxiao Jia, Yuan Wang, Li Bu, Wenli Lu
Descritores MeSH
- Artificial Intelligence
- Mass Screening
- Sleep Apnea, Obstructive
- Humans
- Polysomnography