Introdução: A Doença Renal Crônica (DRC) é um problema de saúde pública global que afeta aproximadamente 10% da população mundial e está associada a altas taxas de morbidade e mortalidade. O diagnóstico precoce e preciso da DRC é crucial para retardar a progressão da doença e reduzir complicações, mas os métodos convencionais de diagnóstico, baseados principalmente em taxas de filtração glomerular (TFG) e níveis de creatinina, apresentam limitações significativas em termos de sensibilidade e especificidade. Nesse contexto, a Inteligência Artificial (IA) tem emergido como uma ferramenta promissora para melhorar a detecção precoce e o diagnóstico da DRC. Objetivo: O objetivo desta revisão integrativa foi sintetizar as evidências recentes sobre o uso de técnicas de IA no diagnóstico da DRC, destacando os avanços, as metodologias aplicadas, e as principais limitações e desafios. Metodologia: Uma revisão integrativa da literatura foi realizada em três bases de dados principais: PubMed, Scopus e IEEE Xplore. Foram utilizados termos de busca como “inteligência artificial,” “machine learning,” “deep learning,” “diagnóstico” e “doença renal crônica” para identificar estudos relevantes publicados nos últimos dez anos (2013-2023). Um total de 198 artigos foram inicialmente identificados. Após aplicação dos critérios de inclusão (estudos que abordavam diretamente o uso de IA para diagnóstico de DRC, publicados em inglês, e com dados empíricos ou revisões sistemáticas) e exclusão (estudos com amostras pequenas, dados incompletos ou não diretamente relacionados ao tema), 45 artigos foram selecionados para análise final. A análise foi conduzida com base em uma avaliação crítica do desenho do estudo, métodos de IA utilizados, dados de entrada, resultados e impacto clínico. Resultados: Os resultados indicaram que modelos baseados em IA podem alcançar uma precisão diagnóstica significativamente maior em comparação com métodos tradicionais. Estudos relataram taxas de acurácia entre 85% e 98% na predição e diagnóstico da DRC, com alguns modelos demonstrando superioridade ao identificar pacientes em estágios iniciais da doença, onde as manifestações clínicas ainda são mínimas. A IA também foi eficaz na integração de múltiplos tipos de dados, como os clínicos, laboratoriais e de imagens, para melhorar a sensibilidade e especificidade diagnóstica. Algumas pesquisas destacaram a importância dos dados de entrada para o sucesso dos modelos de IA. Por exemplo, o uso de conjuntos de dados mais amplos e diversos, que incluem variáveis como dados demográficos, histórico médico, exames laboratoriais e imagens renais, foi associado a melhores desempenhos dos modelos. No entanto, a maioria dos estudos identificou desafios significativos, como a necessidade de padronização dos dados e o risco de viés nos algoritmos devido à qualidade e à representatividade dos dados utilizados. Considerações Finais: A revisão integrativa sugere que a IA possui um potencial significativo para melhorar o diagnóstico da DRC, especialmente na detecção precoce e na predição da progressão da doença. No entanto, a implementação prática desses modelos na prática clínica ainda enfrenta desafios. Questões relacionadas à validação externa dos modelos, à padronização dos dados e à interpretabilidade dos algoritmos de IA devem ser abordadas para garantir a aceitação e a eficácia clínica. Ademais, há uma necessidade urgente de estudos prospectivos e colaborativos que integrem grandes volumes de dados multicêntricos para melhorar a generalização e a aplicabilidade dos modelos de IA.
Comissão Organizadora
Editora Lion
Comissão Científica
Ferramenta completa de submissão, avaliação e publicação de anais para eventos científicos.
