Int J Med Inform. 2026 Sep 11;222:106714. doi: 10.1016\/j.ijmedinf.2026.106714. Online ahead of print.<\/p>\n
RESUMO<\/p>\n
Cui et al. (2026) propuseram um modelo de aprendizado de m\u00e1quina interpret\u00e1vel para a previs\u00e3o precoce de infarto agudo do mioc\u00e1rdio (IAM) com o potencial de interpreta\u00e7\u00e3o baseada em XGBoost e SHAP para um processo de triagem cardiovascular transparente. V\u00e1rios aspectos metodol\u00f3gicos podem limitar a aplicabilidade e generalizabilidade dos modelos em um ambiente cl\u00ednico, no entanto. Primeiro, a filtragem de dom\u00ednio de aplicabilidade pode ter levado \u00e0 exclus\u00e3o de pacientes com perfis laboratoriais extremos, pois esses geralmente s\u00e3o os pacientes de maior acuidade e podem ser os que mais se beneficiam do uso de sistemas de apoio \u00e0 decis\u00e3o. Segundo, o modelo inicial pode ter alta dimensionalidade e pode levar a vi\u00e9s de sele\u00e7\u00e3o de caracter\u00edsticas ap\u00f3s a redu\u00e7\u00e3o realizada pelas caracter\u00edsticas orientadas por SHAP. Em seguida, ap\u00f3s o modelo de alta dimensionalidade, o vi\u00e9s de sele\u00e7\u00e3o de caracter\u00edsticas pode surgir e h\u00e1 uma alta probabilidade de sobreajuste ap\u00f3s a realiza\u00e7\u00e3o da redu\u00e7\u00e3o de caracter\u00edsticas orientada por SHAP. Terceiro, vari\u00e1veis com altas taxas de dados faltantes podem ser imputadas com valores que levariam \u00e0 redu\u00e7\u00e3o da vari\u00e2ncia e a rela\u00e7\u00f5es enviesadas nos dados cl\u00ednicos, potencialmente resultando em previs\u00f5es excessivamente confiantes. Por fim, o uso do diagn\u00f3stico de alta como padr\u00e3o de refer\u00eancia pode levar a ru\u00eddo de r\u00f3tulo devido a mudan\u00e7as no diagn\u00f3stico, codifica\u00e7\u00e3o administrativa ou varia\u00e7\u00e3o no diagn\u00f3stico entre os m\u00e9dicos. Valida\u00e7\u00e3o relevante, tratamentos de dados faltantes e defini\u00e7\u00f5es de desfechos melhorar\u00e3o a tradutibilidade dos estudos cl\u00ednicos no futuro.<\/p>\n
PMID: 42743618 | DOI: 10.1016\/j.ijmedinf.2026.106714<\/p>\n