Um estudo retrospectivo conduzido no Hospital Terceiro Povo de Chengdu, na China, entre 1º de janeiro de 2015 e 1º de janeiro de 2026, utilizou inteligência artificial explicável para classificar pneumonia severa por Mycoplasma pneumoniae em crianças, analisando 1.046 casos de pneumonia por Mycoplasma diagnosticados na infância, dos quais 205 eram classificados como pneumonia severa (SMPP). Os pesquisadores coletaram variáveis demográficas, clínicas, laboratoriais e radiológicas, excluindo aquelas com sobreposição à definição de gravidade, biomarcadores pró-severidade e variáveis de vazamento derivadas do modelo antes de desenvolver oito algoritmos de aprendizado supervisionado em um grupo de treinamento composto por 784 crianças, enquanto o conjunto interno de teste incluía 262 casos, entre os quais 51 eram SMPP. No conjunto interno de teste estrito sem sobreposição, o modelo de support vector machine alcançou AUC de 0,947 (intervalo de confiança de 95% entre 0,907 e 0,980), com acurácia de 0,924, sensibilidade de 0,784, especificidade de 0,957, F1-score de 0,800 e score Brier de 0,058, enquanto o random forest, selecionado por sua interpretabilidade e desempenho balanceado, obteve AUC de 0,926 (IC de 0,878 a 0,964), acurácia de 0,897, sensibilidade de 0,824, especificidade de 0,915 e score Brier de 0,094, sendo retido para análises de calibração, curva de decisão e importância de features.
Desempenho dos modelos de machine learning
- No conjunto interno de teste estrito sem sobreposição, o modelo de support vector machine (SVM) alcançou a maior AUC entre os algoritmos avaliados, com valor de 0,947 (intervalo de confiança de 95% entre 0,907 e 0,980), demonstrando excelente poder de discriminação para separar pneumonia severa de não severa.
- Além do AUC, os modelos foram avaliados por acurácia, sensibilidade, especificidade, F1-score, calibração, score Brier e curva de decisão, fornecendo uma visão abrangente do desempenho clínico no conjunto de teste.
- O modelo random forest, escolhido por sua interpretabilidade e desempenho balanceado, obteve AUC de 0,926 (IC de 0,878 a 0,964), acurácia de 0,897, sensibilidade de 0,824, especificidade de 0,915 e score Brier de 0,094, sendo retido para análises subsequentes devido ao equilíbrio entre desempenho e explicabilidade.
- A comparação entre SVM e random forest revela que, embora o SVM tenha ligeiramente melhor AUC, o random forest oferece melhor equilíbrio entre sensibilidade e especificidade, o que pode ser preferível em contextos clínicos que priorizam a detecção de casos.
Principais preditores identificados
- Os preditores mais relevantes para a classificação de pneumonia severa incluíram aspartato aminotransferase, alanina aminotransferase, albumina, duração da tosse, ureia no sangue, contagem de glóbulos blancos, contagem de plaquetas, idade, chiado torácico e rales pulmonares, todos refletindo comprometimento inflamatório e funcional pulmonar em crianças.
- A exclusão de variáveis com sobreposição à definição de gravidade, biomarcadores pró-severidade e variáveis de vazamento derivadas do modelo foi essencial para evitar raciocínio circular e garantir que os modelos aprendessem relações verdadeiramente preditivas, e não artefatos dos dados.
- A análise de importância de features permitiu identificar quais exames clínicos e laboratoriais têm maior peso na predição, apoiando a interpretação dos resultados por parte de profissionais de saúde.
Limitações e próximos passos
- Os autores concluem que os modelos de machine learning mantêm bom desempenho interno para classificar pneumonia severa em crianças com pneumonia por Mycoplasma, mas devem ser considerados ferramentas auxiliares de estratificação de risco e não ferramentas de diagnóstico precoce isoladas.
- É necessária validação em múltiplos centros e em populações externas antes da implementação clínica, bem como avaliação em fluxos de trabalho prospectivos para garantir segurança e eficácia na prática real.
- O estudo, embora retrospectivo e de um único centro, fornece evidências de que a IA explicável pode auxiliar na identificação de crianças em risco de evolução para pneumonia severa, desde que seus limites metodológicos sejam reconhecidos.
