Uso de Machine Learning para Prever Falha em Alcançar Resultados Clinicamente Significativos Após Reparo do Manguito Rotador
Este estudo, publicado na Orthopaedic Journal of Sports Medicine, explorou o uso de algoritmos de machine learning para prever a não obtenção da diferença clinicamente importante mínima (MCID) na pontuação de incapacidade após 2 anos do reparo cirúrgico do manguito rotador. Avaliando 474 pacientes (500 ombros) submetidos ao procedimento entre 2013 e 2019, os algoritmos foram treinados com dados clínicos, demográficos e de imagem para prever o resultado com base na diferença entre as pontuações pré e pós-operatórias do American Shoulder and Elbow Surgeons (ASES).
O desempenho dos algoritmos, avaliado pela área sob a curva ROC (AUC), variou entre 0,58 e 0,68, com os modelos random forest e LightGBM apresentando os valores mais altos (0,68 e 0,67, respectivamente). Embora os algoritmos tenham mostrado capacidade de previsão, seu desempenho ficou aquém de outros estudos de machine learning na literatura ortopédica. No entanto, esses resultados indicam potencial para prever a não realização do MCID no ASES após o reparo do manguito rotador usando machine learning. Os algoritmos de machine learning demonstraram certa capacidade de prever a não realização do MCID no ASES 2 anos após a cirurgia de reparo do manguito rotador.
Leia o artigo completo no link abaixo:
