Inteligência estatística versus inteligência artificial na predição de eventos em síndromes coronarianas agudas

Abstract

Modelos de predição clínica estimam a probabilidade de desfechos relevantes, potencializando a tomada de decisão clínica e o cuidado individualizado. Apesar de sua ampla disseminação, desconhece-se se modelos baseados em aprendizado de máquina superam aqueles desenvolvidos a partir de métodos estatísticos usuais, principalmente em cenários de dados tradicionais. Objetivo: Testar se o aprendizado de máquina aprimora a predição de desfechos clínicos quando comparado à modelagem estatística tradicional. Métodos: Aleatoriamente subdividimos uma coorte prospectiva de pacientes consecutivamente hospitalizados com critérios objetivos de síndrome coronariana aguda. Em 80% da coorte, desenvolvemos modelos baseados tanto em aprendizado de máquina quanto em regressão estatística. Nos 20% restantes, validamos internamente os modelos e os comparamos. Resultados: Entre setembro de 2011 e julho de 2019, avaliamos 1.314 pacientes hospitalizados em unidade coronariana intensiva por síndrome coronariana aguda. Treinamos algoritmos de support vector machine e extreme gradient boosting e estatisticamente ajustamos modelos de regressão logística para predizer a ocorrência de eventos cardiovasculares adversos maiores e sangramento maior. Na predição de risco cardiovascular, não houve superioridade dos algoritmos baseados em support vector machine (estatística c [IC 95%], 0,69 [0,53–0,84] vs. 0,76 [0,64–0,87]; P = 0,31) nem daqueles baseados em extreme gradient boosting (0,65 [0,47–0,82] vs. 0,76 [0,64–0,87]; P = 0,08) quando comparados ao modelo estatístico. Também não houve superioridade de support vector machine (0,57 [0,38–0,75] vs. 0,77 [0,61–0,93]; P = 0,36) nem de extreme gradient boosting (0,67 [0,49–0,86] vs. 0,77 [0,61–0,93]; P = 0,15) para predição de sangramento maior. Conclusão: O presente estudo sugere que modelos preditivos baseados em aprendizado de máquina não necessariamente superam métodos estatísticos bem estabelecidos, especialmente em coortes epidemiológicas tradicionais.