Meta-análise para identificar a capacidade da Machine Learning na predição de diabetes - potencial e impactos da tecnologia na saúde - Eixo 2

Aug 4, 2026

Carregar por Oliver

A revisão sistemática e meta-análise avaliou a capacidade da Machine Learning na predição de diabetes em humanos, com ênfase em resultados baseados na área sob a curva ROC (AUC) para quantificar o desempenho discriminativo dos modelos. Foram incluídos 13 estudos, totalizando cerca de 547 mil participantes, com buscas em PubMed, LILACS, SciELO, Web of Science e Scopus. A meta-análise de efeitos aleatórios estimou AUC de 0.88 (IC 0.84-0.92), indicando bom potencial preditivo para apoiar identificação precoce e manejo. A implementação pode reduzir custos, hospitalizações e melhorar a qualidade de vida, desde que modelos sejam generalizados, testados e validados antes do uso em cenários reais.

IdiomaPortuguese

CategoriaPesquisa e Relatórios

FormatoPDF

Páginas1

Tempo de leitura2 min

AcessoDownload gratuito

Índice

Introdução

Métodos

Resultados

Discussão e conclusões

Palavras-chave

ID204 Meta-análise para identificar a capacidade da Machine Learning na predição de diabetes: potencial e impactos da tecnologia na saúde EIXO 2: IMPLEMENTAÇÃO DE TECNOLOGIAS E DIRETRIZES CLÍNICAS EM SAÚDE Autores: Felipe Mendes Delpino; Ândria Krolow Costa; Leandro Faria Rodrigues; Bruno Pereira Nunes Introdução: A diabetes é uma doença caracterizada pela resistência à insulina que pode causar problemas graves ao indivíduo (cardiovasculares, renais, oftalmológicos e neuropáticos) e sistemas desaúde (superlotação, custos altos, dificuldade na identificação da doença) . Esta doença é difícil de ser diagnosticada, pois, nas fases iniciais, costuma ser silenciosa – exigindo a necessidade de soluções tecnológicas e eficazes em grande escala. Com isso, a Machine Learning (área dentro da Inteligência Artificial) pode vir como uma contribuição aos gestores e sistemas de saúde para a identificação precocee manejo da doença. Este estudo objetivou fazer uma revisão sistemática e meta-análise de estudos que tenham usado a Machine Learning para predição da diabetes. Métodos: Foi realizada uma revisão sistemática e meta-análise, cuja pergunta norteadora foi: “Qual acapacidade da Machine Learning na predição de diabetes em humanos?”. Foram realizadas buscas nas bases de dados do Pubmed, LILACS, Scielo, Web of Science e Scopus. Incluíram-se todos os estudos que classificaram a diabetes por meio de um algoritmo de Machine Learning e reportaram os resultados como Área sob a Curva Roc (AUC), que se trata de uma medida bastante utilizada na literatura e de fácil interpretação, variando de 0 a 1 (AUC de 1 tem predição perfeita e AUC de 0.5 representa um modelosem capacidade discriminativa, semelhante a um classificador aleatório) . A literatura considera valoresacima de 0.7 como satisfatórios e suficientes para implementação dos modelos. A meta-análise foi realizada utilizando o Software MedCalc, com base na AUC e erro padrão de cada estudo. Para os estudos cujo erro padrão não foi relatado, calculou-se a mediana dos valores dos demais estudos e utilizou-se como imputação para aqueles com dados ausentes. Resultados: No total, foram incluídos 13 estudos, representando cerca de 547 mil participantes. Os estudos foram conduzidos em Oman, China (n=4), Brasil, Índia (n=2), Estados Unidos (n=3), Canadá e Austrália. A AUC reportada entre os estudos variou de 0.75 no estudo conduzido no Brasil, com cercade 12 mil participantes, a 1 (predição perfeita) em estudo conduzido na Índia com apenas 952 participantes. O resultado da meta-análise de efeitos aleatórios encontrou uma AUC de 0.88, com intervalos de confiança de 0.84 a 0.92. Discussão e conclusões: Este estudo encontrou resultados promissores da Machine Learning na predição de diabetes. Somente no Brasil, os custos anuais da diabetes ultrapassam os dois bilhões de reais, com estimativas projetando o dobro até 2030. A implementação da Machine Learning tem potencial para reduzir esses custos, uma vez que a identificação com antecedência desses casos pode resultarem economia no tratamento, redução de hospitalizações e, principalmente, melhor qualidade de vida apopulação. Nossos resultados também podem ajudar a mudar as perspectivas da diabetes nos próximos anos, pois com uma ferramenta de fácil acesso e boa predição, os profissionais e gestores da saúde podem produzir um cuidado mais eficiente e humanizado. No entanto, antes da implementação da Machine Learning no mundo real, alguns cuidados precisam ser tomados, principalmente quanto à generalização dos modelos, que precisam ser testados e validados nos locais antes de sua implementaçãona prática. Como conclusão, este estudo encontrou boa capacidade preditiva da Machine Learning napredição de diabetes, mostrando um potencial para a resolutividade desse problema que atinge milhões de brasileiros. Palavras-chave: Diabetes; Machine Learning; Revisão Sistemática; Meta-análise J Assist Farmacêutica Farmaeconomia 2024;1(Suppl.1); 10.22563/25

Perguntas frequentes

Qual foi o objetivo do estudo sobre Machine Learning na predição de diabetes?

Realizar uma revisão sistemática e meta-análise de estudos que usaram Machine Learning para predição de diabetes, avaliando o desempenho preditivo dos modelos.

Como a capacidade dos modelos foi mensurada nos estudos incluídos?

A capacidade foi reportada pela área sob a curva ROC (AUC), com interpretação baseada em valores de 0 a 1 e referência de desempenho satisfatório acima de 0.7.

Qual foi o resultado principal da meta-análise em termos de AUC?

A meta-análise de efeitos aleatórios encontrou AUC de 0.88, com intervalos de confiança de 0.84 a 0.92.

Quais cuidados são necessários antes de aplicar a Machine Learning na prática clínica?

É necessário avaliar generalização, testagem e validação dos modelos nos locais onde serão implementados, antes do uso em cenários reais.

Aug 4, 2026

Carregar por Oliver