Int J Med Inform. 2026 Sep 11;222:106714. doi: 10.1016/j.ijmedinf.2026.106714. Online ahead of print.

RESUMO

Cui et al. (2026) propuseram um modelo de aprendizado de máquina interpretável para a previsão precoce de infarto agudo do miocárdio (IAM) com o potencial de interpretação baseada em XGBoost e SHAP para um processo de triagem cardiovascular transparente. Vários aspectos metodológicos podem limitar a aplicabilidade e generalizabilidade dos modelos em um ambiente clínico, no entanto. Primeiro, a filtragem de domínio de aplicabilidade pode ter levado à exclusão de pacientes com perfis laboratoriais extremos, pois esses geralmente são os pacientes de maior acuidade e podem ser os que mais se beneficiam do uso de sistemas de apoio à decisão. Segundo, o modelo inicial pode ter alta dimensionalidade e pode levar a viés de seleção de características após a redução realizada pelas características orientadas por SHAP. Em seguida, após o modelo de alta dimensionalidade, o viés de seleção de características pode surgir e há uma alta probabilidade de sobreajuste após a realização da redução de características orientada por SHAP. Terceiro, variáveis com altas taxas de dados faltantes podem ser imputadas com valores que levariam à redução da variância e a relações enviesadas nos dados clínicos, potencialmente resultando em previsões excessivamente confiantes. Por fim, o uso do diagnóstico de alta como padrão de referência pode levar a ruído de rótulo devido a mudanças no diagnóstico, codificação administrativa ou variação no diagnóstico entre os médicos. Validação relevante, tratamentos de dados faltantes e definições de desfechos melhorarão a tradutibilidade dos estudos clínicos no futuro.

PMID: 42743618 | DOI: 10.1016/j.ijmedinf.2026.106714

Para ler a postagem completa, visite o original: Leia a Postagem Completa