Modelos de aprendizado de máquina na predição de resistência antimicrobiana na gonorreia: revisão sistemática e meta-análise

MetanáliseNível 1 · Evidência consolidadaFrontiers in public health7 set 20260 citações

O que aconteceu

O aumento global da resistência antimicrobiana (RAM) entre Neisseria gonorrhoeae apresenta uma grande ameaça à saúde pública, dificultando os esforços de tratamento e controle. Os métodos diagnósticos tradicionais para detecção de RMA são demorados e muitas vezes limitados por recursos laboratoriais, particularmente em países de baixa e média renda. A rápida evolução dos modelos de aprendizado de máquina (ML) oferece novas oportunidades para diagnósticos preditivos que podem melhorar a vigilância, otimizar a antibioticoterapia e reduzir a transmissão. Esta revisão sistemática e meta-análise teve como objetivo avaliar a acurácia diagnóstica de modelos de aprendizado de máquina na predição da resistência antimicrobiana em Neisseria gonorrhoeae e fornecer estimativas conjuntas de sensibilidade e especificidade em relação aos padrões de referência convencionais. Uma busca abrangente de sete bases de dados PubMed, Scopus, Web of Science, Embase, CINAHL, IEEE Xplore e Google Scholar foi realizada para estudos publicados até 2025. Estudos elegíveis aplicaram algoritmos ML a conjuntos de dados genômicos, fenotípicos ou epidemiológicos para predizer RMA em N. gonorrhoeae. Os dados foram extraídos para o Microsoft Excel e analisados pelo software RevMan 5.4 versão 5.4.1. A avaliação da qualidade foi realizada utilizando-se o instrumento QUADAS-2. Sensibilidade agrupada, especificidade e área sob a curva SROC (AUC) foram calculadas por meio de um modelo bivariado de efeitos aleatórios.

O que encontraram

Foram incluídos cinco estudos elegíveis que incluíram isolados únicos de Neisseria gonorrhoeae. A sensibilidade e especificidade agrupadas dos modelos ML foram de 0,94 (IC 95%: 0,92-0,96) e 0,86 (IC 95%: 0,81-0,90), respectivamente. A curva SROC demonstrou uma AUC de 0,95, indicando excelente capacidade discriminativa. Observou-se heterogeneidade moderada (I 2 ° 40%), em grande parte devido a variações nos conjuntos de dados e arquiteturas de modelos.

Por que isso importa

Modelos de aprendizado de máquina exibem excelente precisão diagnóstica na predição de RMA em Neisseria gonorrhoeae, destacando sua potencial integração em sistemas de vigilância e de apoio à decisão clínica. A validação e padronização mais amplas dos gasodutos ML são essenciais para traduzir esses avanços na prática global de saúde pública.

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.