Precisão diagnóstica da inteligência artificial baseada em imagem médica para osteonecrose da cabeça femoral: revisão sistemática e meta-análise

MetanáliseNível 1 · Evidência consolidadaJournal of medical Internet research20 ago 20261 citações

O que aconteceu

A osteonecrose da cabeça femoral (ONFH) é uma causa comum de incapacidade do quadril na prática clínica. O diagnóstico precoce e preciso pode atrasar ou mesmo interromper a progressão da doença. Nos últimos anos, modelos de IA baseados em imagens médicas têm sido cada vez mais aplicados ao diagnóstico de ONFH; no entanto, uma avaliação sistemática de sua acurácia diagnóstica permanece ausente. Este estudo tem como objetivo sintetizar a acurácia diagnóstica global de modelos de IA baseados em imagem médica para ANFH e informar a tomada de decisão clínica. Esta revisão sistemática foi conduzida de acordo com as diretrizes PRISMA-DTA (Itens de Relato Preferidos para Análises Sistemáticas e Meta-Análises de Estudos de Precisão de Testes Diagnósticos) e foi prospectivamente registrada no PROSPERO (CRD420261307216). Pesquisamos PubMed, Embase, Cochrane Library e Web of Science até 8 de março de 2026. Foram elegíveis estudos que desenvolveram ou validaram modelos de IA para diagnóstico de ONFH utilizando dados de imagem. O risco de viés foi avaliado pelo instrumento QUADAS-2. Sensibilidade, especificidade, razão de verossimilhança positiva (RPL), razão de verossimilhança negativa (RNL) e razão de chances diagnóstica (RDO) foram agrupados usando um modelo bivariado de efeitos mistos, e uma curva de característica de operação do receptor sumário (CRE). As análises de subgrupos foram estratificadas por modalidade de imagem (raio-x vs RM), estádio da doença (HNF em estágio inicial vs ONF em estágio integral), critérios diagnósticos (Association Research Circulation Osseous [ARCO] staged vs outros critérios), tipo de grupo controle (controles saudáveis vs controles de doença), método de validação (validação interna vs validação externa), tipo de centro (centro único vs multicêntrico) e tipo de modelo (aprendizagem profunda vs aprendizado de máquina). A meta-regressão foi realizada para quantificar a contribuição de cada covariável para heterogeneidade entre estudos. A análise de sensibilidade e o teste de assimetria de Deeks avaliaram a robustez dos resultados e o viés de publicação. A utilidade clínica foi avaliada pelo nomograma de Fagan.

O que encontraram

Foram incluídos 12 estudos com 16.189 articulações do quadril. A sensibilidade agrupada foi de 0,91 (IC 95% 0,87-0,95), a especificidade agrupada foi de 0,95 (IC 95% 0,93-0,96) e a AUC SROC foi de 0,97 (IC 95% 0,95-0,98). Foi observada heterogeneidade significativa entre os estudos (I2=72%, IC 95% 38%-100%). A análise de subgrupos mostrou que os modelos baseados em RM apresentaram maior razão de chances diagnósticas (DOR; 382, IC 95% 220-665) do que os modelos baseados em raios-x (106, IC 95% 60-190), enquanto que os modelos submetidos à validação externa apresentaram menor DOR (129, IC 95% 51-329) do que aqueles com apenas validação interna (230, IC 95% 104-510). A meta-regressão identificou a modalidade de imagem como a principal fonte de heterogeneidade, explicando 92,1% da variância entre estudos.

Por que isso importa

Os modelos de IA demonstram alta acurácia diagnóstica no diagnóstico de ONFH por imagem. No entanto, as evidências atuais são restritas pelo número limitado de estudos incluídos, predominantemente desenhos retrospectivos, e falta de validação externa adequada, e, portanto, devem ser interpretadas com cautela. Pesquisas futuras devem adotar desenhos prospectivos multicêntricos, padronizar padrões de referência e implementar validação externa rigorosa para facilitar a tradução clínica.

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.