[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-pt-112":3,"doc-seo-124026-112":49,"doc-detail-124026-pt":128},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},26,"Document","Contos e Romances",60,"story-novel",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},46,"Estilo de Vida","lifestyle",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},28,"Exames","exam",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},47,"Geral","general",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},29,"Histórias em Quadrinhos","comic",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},27,"Literatura","literature",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},32,"Pesquisa e Relatórios","research-report",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},33,"Religião e Espiritualidade","religion-spirituality",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},31,"Saúde e Cuidados","healthcare",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},45,"Tecnologia","technology",{"code":4,"msg":50,"data":51},"ok",{"site_id":52,"language":53,"slug":54,"title":55,"keywords":56,"description":57,"schema_data":58,"social_meta":121,"head_meta":123,"extra_data":125,"updated_unix":127},112,"pt","meta-analysis-to-assess-the-capacity-of-machine-learning-in-diabetes-prediction-potential-and-impacts-of-technology-in-health-axis-2","Meta-análise para identificar a capacidade da Machine Learning na predição de diabetes - potencial e impactos da tecnologia na saúde - Eixo 2","","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.",{"@graph":59,"@context":120},[60,77,99],{"@type":61,"itemListElement":62},"BreadcrumbList",[63,68,71,74],{"item":64,"name":65,"@type":66,"position":67},"https://docshare.wps.com","Home","ListItem",1,{"item":69,"name":9,"@type":66,"position":70},"https://docshare.wps.com/pt/document/",2,{"item":72,"name":35,"@type":66,"position":73},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":75,"name":55,"@type":66,"position":76},"https://docshare.wps.com/pt/document/meta-analysis-to-assess-the-capacity-of-machine-learning-in-diabetes-prediction-potential-and-impacts-of-technology-in-health-axis-2/124026/",4,{"url":75,"name":55,"@type":78,"image":79,"author":84,"headline":55,"publisher":87,"fileFormat":90,"inLanguage":53,"description":57,"dateModified":91,"datePublished":92,"encodingFormat":90,"isAccessibleForFree":93,"interactionStatistic":94},"DigitalDocument",{"url":80,"@type":81,"width":82,"height":83},"https://docshare.wps.com/thumbnails/meta-analysis-to-assess-the-capacity-of-machine-learning-in-diabetes-prediction-potential-and-impacts-of-technology-in-health-axis-2/124026.png","ImageObject",300,407,{"name":85,"@type":86},"Oliver","Person",{"url":64,"name":88,"@type":89},"DocShare","Organization","application/pdf","2026-10-01","2026-08-04",true,{"@type":95,"interactionType":96,"userInteractionCount":98},"InteractionCounter",{"@type":97},"ViewAction",5,{"@type":100,"mainEntity":101},"FAQPage",[102,108,112,116],{"name":103,"@type":104,"acceptedAnswer":105},"Qual foi o objetivo do estudo sobre Machine Learning na predição de diabetes?","Question",{"text":106,"@type":107},"Realizar uma revisão sistemática e meta-análise de estudos que usaram Machine Learning para predição de diabetes, avaliando o desempenho preditivo dos modelos.","Answer",{"name":109,"@type":104,"acceptedAnswer":110},"Como a capacidade dos modelos foi mensurada nos estudos incluídos?",{"text":111,"@type":107},"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.",{"name":113,"@type":104,"acceptedAnswer":114},"Qual foi o resultado principal da meta-análise em termos de AUC?",{"text":115,"@type":107},"A meta-análise de efeitos aleatórios encontrou AUC de 0.88, com intervalos de confiança de 0.84 a 0.92.",{"name":117,"@type":104,"acceptedAnswer":118},"Quais cuidados são necessários antes de aplicar a Machine Learning na prática clínica?",{"text":119,"@type":107},"É necessário avaliar generalização, testagem e validação dos modelos nos locais onde serão implementados, antes do uso em cenários reais.","https://schema.org",{"og:url":75,"og:type":122,"og:title":55,"og:site_name":88,"og:description":57},"article",{"robots":124,"canonical":75},"index,follow",{"doc_id":126,"site_id":52},124026,1785819931,{"code":4,"msg":5,"data":129},{"doc_id":126,"user_id":130,"nickname":85,"user_avatar":131,"doc_module":4,"category_id":34,"category_name":35,"doc_title":55,"doc_description":57,"doc_content":132,"file_id":133,"file_url":134,"file_type":135,"file_size":136,"view_count":98,"is_deleted":4,"is_public":67,"is_downloadable":67,"audit_status":67,"page_count":67,"language":137,"language_code":53,"site_id":52,"html_lang":53,"table_of_contents":138,"faqs":139,"seo_title":140,"seo_description":57,"update_tm":127,"read_time":70},687207024643,"https://ap-avatar.wpscdn.com/davatar_3d24733baf745e90a7e4bdd5f77d97b2","ID204  \nMeta-análise para identificar a capacidade da Machine Learning na predição de diabetes: potencial e impactos da tecnologia na saúde  \nEIXO 2: IMPLEMENTAÇÃO DE TECNOLOGIAS E DIRETRIZES CLÍNICAS EM SAÚDE  \nAutores: Felipe Mendes Delpino; Ândria Krolow Costa; Leandro Faria Rodrigues; Bruno Pereira Nunes  \nIntrodução: 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.  \nMétodos: 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.  \nResultados: 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.  \nDiscussão 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.  \nPalavras-chave: Diabetes; Machine Learning; Revisão Sistemática; Meta-análise  \nJ Assist Farmacêutica Farmaeconomia 2024;1(Suppl.1); 10.22563/25","cbCaitKL1TzTmU9T","https://ap.wps.com/l/cbCaitKL1TzTmU9T","pdf",548218,"Portuguese","# Introdução\n# Métodos\n# Resultados\n# Discussão e conclusões\n# Palavras-chave","[{\"question\":\"Qual foi o objetivo do estudo sobre Machine Learning na predição de diabetes?\",\"answer\":\"Realizar uma revisão sistemática e meta-análise de estudos que usaram Machine Learning para predição de diabetes, avaliando o desempenho preditivo dos modelos.\"},{\"question\":\"Como a capacidade dos modelos foi mensurada nos estudos incluídos?\",\"answer\":\"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.\"},{\"question\":\"Qual foi o resultado principal da meta-análise em termos de AUC?\",\"answer\":\"A meta-análise de efeitos aleatórios encontrou AUC de 0.88, com intervalos de confiança de 0.84 a 0.92.\"},{\"question\":\"Quais cuidados são necessários antes de aplicar a Machine Learning na prática clínica?\",\"answer\":\"É necessário avaliar generalização, testagem e validação dos modelos nos locais onde serão implementados, antes do uso em cenários reais.\"}]","Meta-análise para identificar a capacidade da Machine Learning na predição de diabetes - potencial e impactos da tecnologia na saúde - Eixo 2 | PDF"]