Modelo de predição baseado em aprendizado de máquina para risco de incontinência urinária de estresse pós-parto: revisão sistemática e metanálise

Revisão sistemáticaNível 1 · Evidência consolidadaFrontiers in medicine20 ago 20260 citações

O que aconteceu

A incontinência urinária de estresse pós-parto (IUE) é uma condição altamente prevalente que impõe cargas físicas, psicológicas e econômicas substanciais, o que reforça a necessidade de identificação precoce de populações de alto risco para melhorar os resultados clínicos. No entanto, os modelos de previsão existentes de aprendizado de máquina (ML) produzem resultados inconsistentes, e seu desempenho e confiabilidade permanecem incertos. Esta revisão teve como objetivo sintetizar as evidências disponíveis sobre modelos de predição baseados em ML para IUE pós-parto. Este estudo teve como objetivo avaliar sistematicamente a qualidade metodológica, o risco de viés e o desempenho preditivo dos modelos de predição baseados em ML para IUE pós-parto e sintetizar quantitativamente suas métricas de discriminação. Foi realizada uma busca sistemática de nove bases de dados desde o início até 23 de março de 2026. Foram incluídos estudos que desenvolveram e validaram modelos de predição de risco baseados em ML para IUE pós-parto. A qualidade metodológica e o risco de viés foram avaliados pela ferramenta PROBAST+AI, e a qualidade do relato foi avaliada com a declaração TRIPOD+AI. Foi realizada uma meta-análise da área sob a curva característica de operação receptora (AUC), empregando estimativa robusta de variância (RVE) para explicar os tamanhos de efeito dependente. O estudo foi registrado no PROSPERO (CRD420261369137). https://www.crd.york.ac.uk/PROSPERO/view/CRD420261369137, CRD420261369137.

O que encontraram

Foram incluídos sete estudos, totalizando 4.072 pacientes. Todos os estudos foram classificados como tendo alto risco de viés. A AUC agrupada em 20 modelos de treino foi 0,931 (IC 95%: 0,880-0,962) e em 25 modelos de validação foi 0,890 (IC 95%: 0,832-0,930). Após a correção para tamanhos de efeitos dependentes aplicando RVE, as AUCs agrupadas foram de 0,915 (IC 95%: 0,796-0,968) e 0,825 (IC 95%: 0,637-0,927), respectivamente. A heterogeneidade substancial foi observada em ambas as séries (I 2 = 98,2 e 93,6%, respectivamente). As análises de subgrupos revelaram que os modelos que utilizaram apenas características clínicas alcançaram a maior AUC agrupada (0,974), enquanto os modelos multimodais integrando características clínicas, ultrassonografia do assoalho pélvico e parâmetros de eletromiografia do assoalho pélvico apresentaram menor AUC (0,821) mas desempenho mais estável (I 2 = 50,3% vs. 95,2%). Os preditores mais frequentemente incluídos foram idade, índice de massa corporal, paridade, peso neonatal ao nascer e descida do colo da bexiga.

Por que isso importa

Os modelos atuais de predição de ML demonstram discriminação aceitável para IUE pós-parto, mas apresentam alto risco de viés, maus padrões de notificação e falta de validação externa, tornando-os ainda não adequados para aplicação clínica direta.

Tradução automática do resumo original, publicado em Frontiers in medicine sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.