Precisão do aprendizado profundo no diagnóstico da doença pulmonar obstrutiva crônica: revisão sistemática e meta-análise

MetanáliseNível 1 · Evidência consolidadaJournal of medical Internet research14 jan 20262 citações

O que aconteceu

A doença pulmonar obstrutiva crônica (DPOC) é uma doença pulmonar crônica comum. Deep learning (DL), uma abordagem de aprendizado de máquina orientada a dados, tem ganhado atenção na prática clínica, particularmente para diagnosticar DPOC e classificar sua gravidade. No entanto, a evidência sistemática de sua acurácia diagnóstica e de classificação permanece limitada, colocando desafios para o desenvolvimento de ferramentas diagnósticas inteligentes. Este estudo teve como objetivo estimar sistematicamente a acurácia dos modelos de LD para diagnóstico e classificação da DPOC, fornecendo evidências atualizadas para o desenho e implementação clínica de ferramentas inteligentes de detecção. A Cochrane Library, Embase, Web of Science e PubMed foram sistematicamente pesquisadas para estudos sobre DL para diagnóstico de DPOC e classificação de sua gravidade publicada até 1o de novembro de 2025. O risco de viés foi avaliado pela ferramenta Quality Assessment of Diagnostic Accuracy Studies-2. Foram realizadas análises de subgrupos pelo método de geração de conjuntos de validação e fonte de dados de imagem, e metanálises foram realizadas nos conjuntos de validação. Para os resultados binários, as tabelas diagnósticas 2×2 foram sintetizadas utilizando-se um modelo bivariado de efeitos mistos; para os desfechos multiclasse, as estimativas de acurácia foram agrupadas utilizando-se modelos de efeitos aleatórios.

O que encontraram

Foram incluídos 56 estudos com 886.753 participantes. As entradas foram tomografia computadorizada (TC) (n=30), sons respiratórios ou áudio (n=12), radiografia de tórax convencional (n=2), radiografia (n=2) e outras modalidades (n=10), incluindo índices de função pulmonar ou curvas ou formas fisiológicas de onda, eletrocardiogramas, mapas de capnografia volumétrica, dados radiogenéticos e escores clínicos. Para a classificação binária da DPOC, os modelos de LD apresentaram sensibilidade agrupada de 0,87 (IC 95% 0,85-0,90), especificidade de 0,88 (IC 95% 0,84-0,92), razão de chances diagnóstica (DOR) de 52 (IC 95% 30-88) e área sob a curva característica de operação do receptor sumário (AUC) de 0,93. Para os modelos de LD baseados em TC, a sensibilidade combinada foi de 0,86 (IC 95% 0,84-0,89), a especificidade foi de 0,87 (IC 95% 0,82-0,90), a DRO foi de 42 (IC 95% 26-68) e a AUC foi de 0,92. Para os modelos respiratórios baseados em som, a sensibilidade foi de 0,91 (IC 95% 0,84-0,95), a especificidade foi de 0,96 (IC 95% 0,91-0,98), a DOR foi de 237 (IC 95% 78-723) e a AUC foi de 0,98. Na classificação multiclasse, os modelos de LD apresentaram acurácia limitada na discriminação dos estágios da Global Initiative for Chronic Obstructive Lung Disease (GOLD): GOLD stage 0 (84,2%, IC 95% 60,5%-98,2%), estágio 1 (61,7%, IC 95% 40,7%-80,8%), estágio 2 (67,9%, IC 95% 37,6%-91,7%), estágio 3 (70,8%, IC 95% 16,3%-100%) e estágio 4 (70,8%, IC 95% 16,3%-100%).

Por que isso importa

Este estudo é a primeira síntese sistemática de aplicações de LD para detecção de DPOC e estadiamento GOLD. Modelos de LD baseados em imagens de TC e sons respiratórios mostram alta acurácia para detecção binária de DPOC, enquanto a classificação multiclasse GOLD permanece preocupante. Esses achados apoiam o desenvolvimento e atualização de ferramentas de rastreamento de DPOC assistidas por inteligência artificial, porém, heterogeneidade substancial e validação externa limitada merecem uma interpretação cautelosa. Futuros estudos multicêntricos reprodutíveis com relato padronizado são necessários.

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.