Modelos de IA sinalizam quais crianças com eczema precoce podem ter maior risco de asma

Pesquisadores dizem que modelos de alerta precoce podem ajudar a direcionar o cuidado preventivo

Crianças que desenvolvem eczema muito cedo na vida frequentemente acabam enfrentando outras condições alérgicas, mas os médicos têm poucas ferramentas para estimar quais pacientes têm maior probabilidade de evoluir para uma doença respiratória mais grave. Um novo estudo sugere que o aprendizado de máquina pode agora oferecer uma forma mais precisa de classificar esse risco.

Em pesquisa publicada on-line em 17 de abril no Journal of Allergy and Clinical Immunology, investigadores da Kaiser Permanente Southern California desenvolveram e validaram modelos preditivos para crianças diagnosticadas com dermatite atópica antes dos 3 anos de idade. Usando dados de prontuários eletrônicos de 10.688 crianças, a equipe construiu modelos para estimar o risco individual de desenvolver asma persistente de moderada a grave e rinite alérgica entre 5 e 11 anos.

Os resultados apontam para uma ferramenta clínica potencialmente útil, especialmente para sistemas de saúde que buscam identificar mais cedo crianças de maior risco e intervir antes que os sintomas se agravem. Os pesquisadores relataram forte desempenho na predição de asma e um desempenho mais moderado, mas ainda significativo, para rinite alérgica.

Predição forte de asma em um grande conjunto de dados do mundo real

Os modelos de asma registraram pontuações de área sob a curva de 0,893 para a versão completa e 0,892 para uma versão simplificada, indicando forte capacidade de discriminação ao separar crianças que mais tarde desenvolveram a doença daquelas que não desenvolveram. Em um limiar de 95% de especificidade, o modelo completo alcançou sensibilidade de 40,4% e valor preditivo positivo de 39,3%, enquanto o modelo simplificado chegou a sensibilidade de 36,2% e valor preditivo positivo de 33,8%.

Esses números importam porque sugerem que os modelos foram especialmente bons em limitar falsos positivos, ao mesmo tempo em que capturavam uma parcela significativa das crianças que mais tarde desenvolveriam asma persistente. Na prática, esse equilíbrio pode ser importante no cuidado pediátrico, em que a intensificação desnecessária tem custos, mas o risco não identificado pode levar a tratamento tardio e complicações evitáveis.

Os modelos de rinite foram menos precisos que os de asma, mas ainda apresentaram desempenho preditivo moderado. O modelo completo de rinite alcançou AUC de 0,793, enquanto o simplificado obteve 0,773. Em 90% de especificidade, o modelo completo atingiu sensibilidade de 35,5% com valor preditivo positivo de 72,7%, enquanto o simplificado produziu sensibilidade de 34,0% e valor preditivo positivo de 69,2%.

Os autores também relataram calibração aceitável, com concordância especialmente forte nos grupos de maior risco. Esse ponto é significativo porque mesmo um modelo com forte discriminação pode ser menos útil se suas estimativas de risco não estiverem bem alinhadas com o que realmente acontece na clínica.