Discordância entre discriminação referida e evidência de legibilidade translacional na predição ASCVD baseada em IA: uma revisão sistemática com auditoria metodológica estruturada
CardiologiaO que aconteceu
O desenvolvimento de modelos de inteligência artificial (IA) para a predição de risco de doença cardiovascular aterosclerótica (DACV) tem acelerado rapidamente. No entanto, apesar de relatos de alta acurácia preditiva, evidências de apoio à implementação clínica permanecem limitadas. Este estudo teve como objetivo avaliar o rigor metodológico dos modelos de predição baseados em IA ASCVD e avaliar se a discriminação algorítmica relatada está associada a lacunas de notificação e evidência translacional previamente especificadas. Uma busca sistemática do PubMed, Embase, Web of Science, Scopus e Cochrane CENTRAL foi realizada para estudos originais publicados entre 1 de janeiro de 2020 e 27 de março de 2026. Foram incluídos estudos que relataram o desenvolvimento ou validação de IA e modelos prognósticos de aprendizado de máquina para desfechos de DCCV em adultos. Seguindo as diretrizes da PRISMA, foi realizada uma auditoria metodológica estruturada. Cinco lacunas de relato binário e de evidência translacional foram extraídas de forma independente: ausência de avaliação de calibração, ausência de validação externa, ausência de avaliação de utilidade analítica de decisão, horizontes de previsão temporal indefinidos e falta de reprodutibilidade ou artefatos de acessibilidade. Foi definida uma proxy mínima de evidência pré-especificada para avaliação translacional.
O que encontraram
Os desfechos primários foram a carga de gap metodológica cumulativa (intervalo, 0-5) e sua associação com a métrica de discriminação primária (área sob a curva característica de operação receptora [AUC] ou índice C). Dentre 101 modelos primários avaliados, o desempenho mediano de discriminação foi de 0,790 (IQR, 0,734-0,833). No entanto, observou-se substancial carga acumulada de gap, com apenas 6,9% dos modelos atendendo à proxy pré-especificada de prontidão translacional. A discriminação relatada não foi associada à completude metodológica; os modelos top-quartil (AUC ≥ 0,833) apresentaram elevadas cargas de gap em taxas comparáveis aos modelos de desempenho mais baixos. Os gaps de relato e evidência translacional cocorreram sistematicamente, predominantemente impulsionados pela ausência simultânea de validação externa, avaliação de calibração e artefatos de reprodutibilidade ou acessibilidade. O uso de arquiteturas algorítmicas avançadas (por exemplo, aprendizagem profunda) e integração de dados multimodais não reduziu de forma independente a carga de gap de relatórios.
Por que isso importa
Na predição de risco ASCVD baseada em IA, a discriminação algorítmica relatada é uma substituta pobre para prontidão clínica. A literatura apresenta modelos com alta discriminação, mas déficits metodológicos críticos. Esses achados sugerem que os quadros de avaliação devem considerar a incorporação de calibração, validação externa e avaliação formal de utilidade analítica-decisória, além de métricas de discriminação.
Tradução automática do resumo original, publicado em Frontiers in public health sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
Discordance between reported discrimination and translational-readiness evidence in AI-based ASCVD prediction: a systematic review with structured methodological audit
Ruifeng Liu, Ross Arena, Carl Lavie, Adelaide M Arruda-Olson, Dejana Popovic
Descritores MeSH
- Artificial Intelligence
- Atherosclerosis
- Translational Research, Biomedical
- Evidence Gaps
- Risk Assessment
- Reproducibility of Results
- Prediction Algorithms
- Humans