Modelos de IA para Prever Lesão Renal Aguda (AKI) e Mortalidade Pós-AKI: Revisão Sistemática e Meta-Análise

MetanáliseNível 1 · Evidência consolidadaJournal of medical Internet research20 ago 20260 citações

O que aconteceu

Modelos de aprendizado de máquina (ML) são cada vez mais usados para predizer lesão renal aguda (AKI), mas a qualidade de validação e prontidão clínica permanecem incertas. Esta revisão sistemática e meta-análise teve como objetivo resumir o desempenho em discriminação e as lacunas relevantes para a implementação da IRA e a predição de mortalidade pós-IRA. Procuramos na Cochrane Library, Embase, PubMed e Web of Science até 23 de janeiro de 2025. Estudos elegíveis desenvolveram ou validaram modelos de previsão baseados em ML e relataram a área sob a curva característica de operação receptora (AUC). Dois revisores analisaram estudos, extraíram dados e avaliaram o risco de viés utilizando o PROBAST+AI (Prediction Model Risk of Bias Assessment Tool+Artificial Intelligence). As AUCs transformadas em logit foram agrupadas utilizando meta-análise de efeitos aleatórios de máxima verossimilhança restrita com inferência ajustada por Hartung-Knapp-Sidik-Jonkman.

O que encontraram

Foram incluídos 219 estudos com 7.343.170 participantes e 101 abordagens de modelagem. As análises primárias incluíram 188 estimativas da AUC para a ocorrência de IRA e 31 para a mortalidade pós-IRA. As AUC agrupadas foram 0,834 (IC 95% 0,821-0,846) para a predição da ocorrência de IRA e 0,830 (IC 95% 0,807-0,851) para a predição da mortalidade pós-IRA. Para a ocorrência de LRA, abordagens não lineares, especialmente de aprendizagem profunda e métodos baseados em árvores ou conjuntos, geralmente apresentaram estimativas de pontos de AUC agrupados mais elevadas do que modelos lineares ou lineares generalizados em análises exploratórias de subgrupos. No nível do estudo, o PROBAST+AI avaliou 129 (58,9%) estudos como de baixo risco, 84 (38,4%) estudos como de alto risco e 6 (2,7%) estudos como de risco incerto. A validação externa foi incomum: foi relatada em 30 (16,0%) registros de ocorrência de IRA e 9 (29,0%) registros de mortalidade pós-IRA.

Por que isso importa

Modelos de ML têm demonstrado alta discriminação média para ocorrência de LRA e mortalidade pós-AKI, apoiando seu potencial valor para estratificação de risco de LRA e alerta precoce. Entretanto, altos níveis de heterogeneidade, validação externa ou prospectiva limitada e relato inconsistente de calibração do modelo e utilidade clínica significam que barreiras substanciais permanecem antes da implantação clínica de rotina. Estimativas de AUC agrupadas revelaram que modelos não lineares têm considerável potencial clínico translacional. Novos refinamentos para os frameworks de modelagem são necessários para explorar estratégias viáveis para a implementação clínica do mundo real. Estudos futuros devem priorizar definições padronizadas, validação robusta, limiares clinicamente significativos, avaliação da carga de alerta e evidências de que o cuidado orientado pelo modelo melhora o manejo protetor renal ou os resultados do paciente.

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.