Validação de um Algoritmo de Inteligência Artificial para a Predição Diagnóstica de Doença Coronariana: Comparação com um Modelo Estatístico Tradicional
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Outros Autores: | , , , , , , , , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Arquivos Brasileiros de Cardiologia (Online) |
Texto Completo: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0066-782X2021001401061 |
Resumo: | Resumo Fundamento: A análise prognóstica multivariada tem sido realizada tradicionalmente por modelos de regressão. No entanto, muitos algoritmos surgiram, capazes de traduzir uma infinidade de padrões em probabilidades. A acurácia dos modelos de inteligência artificial em comparação à de modelos estatísticos tradicionais não foi estabelecida na área médica. Objetivo: Testar a inteligência artificial como um algoritmo preciso na predição de doença coronariana no cenário de dor torácica aguda, e avaliar se seu desempenho é superior a do modelo estatístico tradicional. Métodos: Foi analisada uma amostra consecutiva de 962 pacientes admitidos com dor torácica. Dois modelos probabilísticos de doença coronariana foram construídos com os primeiros 2/3 dos pacientes: um algoritmo machine learning e um modelo logístico tradicional. O desempenho dessas duas estratégias preditivas foi avaliado no último terço de pacientes. O modelo final de regressão logística foi construído somente com variáveis significativas a um nível de significância de 5%. Resultados: A amostra de treinamento tinha idade média de 59 ± 15 anos, 58% do sexo masculino, e uma prevalência de doença coronariana de 52%. O modelo logístico foi composto de nove preditores independentes. O algoritmo machine learning foi composto por todos os candidatos a preditores. Na amostra teste, a área sob a curva ROC para predição de doença coronariana foi de 0,81 (IC95% = 0,77 – 0,86) para o algoritmo machine learning, similar à obtida no modelo logístico (0,82; IC95% = 0,77 – 0,87), p = 0,68. Conclusão: O presente estudo sugere que um modelo machine learning acurado não garante superioridade à um modelo estatístico tradicional |
id |
SBC-1_602fdbd960a085ab4b2a5a961e344525 |
---|---|
oai_identifier_str |
oai:scielo:S0066-782X2021001401061 |
network_acronym_str |
SBC-1 |
network_name_str |
Arquivos Brasileiros de Cardiologia (Online) |
repository_id_str |
|
spelling |
Validação de um Algoritmo de Inteligência Artificial para a Predição Diagnóstica de Doença Coronariana: Comparação com um Modelo Estatístico TradicionalEstudos de ValidaçãoInteligência ArtificialDoença da Artéria Coronariana/diagnósticoInterpretação Estatística de DadosResumo Fundamento: A análise prognóstica multivariada tem sido realizada tradicionalmente por modelos de regressão. No entanto, muitos algoritmos surgiram, capazes de traduzir uma infinidade de padrões em probabilidades. A acurácia dos modelos de inteligência artificial em comparação à de modelos estatísticos tradicionais não foi estabelecida na área médica. Objetivo: Testar a inteligência artificial como um algoritmo preciso na predição de doença coronariana no cenário de dor torácica aguda, e avaliar se seu desempenho é superior a do modelo estatístico tradicional. Métodos: Foi analisada uma amostra consecutiva de 962 pacientes admitidos com dor torácica. Dois modelos probabilísticos de doença coronariana foram construídos com os primeiros 2/3 dos pacientes: um algoritmo machine learning e um modelo logístico tradicional. O desempenho dessas duas estratégias preditivas foi avaliado no último terço de pacientes. O modelo final de regressão logística foi construído somente com variáveis significativas a um nível de significância de 5%. Resultados: A amostra de treinamento tinha idade média de 59 ± 15 anos, 58% do sexo masculino, e uma prevalência de doença coronariana de 52%. O modelo logístico foi composto de nove preditores independentes. O algoritmo machine learning foi composto por todos os candidatos a preditores. Na amostra teste, a área sob a curva ROC para predição de doença coronariana foi de 0,81 (IC95% = 0,77 – 0,86) para o algoritmo machine learning, similar à obtida no modelo logístico (0,82; IC95% = 0,77 – 0,87), p = 0,68. Conclusão: O presente estudo sugere que um modelo machine learning acurado não garante superioridade à um modelo estatístico tradicionalSociedade Brasileira de Cardiologia - SBC2021-12-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S0066-782X2021001401061Arquivos Brasileiros de Cardiologia v.117 n.6 2021reponame:Arquivos Brasileiros de Cardiologia (Online)instname:Sociedade Brasileira de Cardiologia (SBC)instacron:SBC10.36660/abc.20200302info:eu-repo/semantics/openAccessCorreia,LuisLopes,DanielPorto,João VítorLacerda,Yasmin F.Correia,Vitor C. A.Bagano,Gabriela O.Pontes,Bruna S. B.Melo,Milton Henrique Vitoria deSilva,Thomaz E. A.Meireles,André Cpor2021-11-29T00:00:00Zoai:scielo:S0066-782X2021001401061Revistahttp://www.arquivosonline.com.br/https://old.scielo.br/oai/scielo-oai.php||arquivos@cardiol.br1678-41700066-782Xopendoar:2021-11-29T00:00Arquivos Brasileiros de Cardiologia (Online) - Sociedade Brasileira de Cardiologia (SBC)false |
dc.title.none.fl_str_mv |
Validação de um Algoritmo de Inteligência Artificial para a Predição Diagnóstica de Doença Coronariana: Comparação com um Modelo Estatístico Tradicional |
title |
Validação de um Algoritmo de Inteligência Artificial para a Predição Diagnóstica de Doença Coronariana: Comparação com um Modelo Estatístico Tradicional |
spellingShingle |
Validação de um Algoritmo de Inteligência Artificial para a Predição Diagnóstica de Doença Coronariana: Comparação com um Modelo Estatístico Tradicional Correia,Luis Estudos de Validação Inteligência Artificial Doença da Artéria Coronariana/diagnóstico Interpretação Estatística de Dados |
title_short |
Validação de um Algoritmo de Inteligência Artificial para a Predição Diagnóstica de Doença Coronariana: Comparação com um Modelo Estatístico Tradicional |
title_full |
Validação de um Algoritmo de Inteligência Artificial para a Predição Diagnóstica de Doença Coronariana: Comparação com um Modelo Estatístico Tradicional |
title_fullStr |
Validação de um Algoritmo de Inteligência Artificial para a Predição Diagnóstica de Doença Coronariana: Comparação com um Modelo Estatístico Tradicional |
title_full_unstemmed |
Validação de um Algoritmo de Inteligência Artificial para a Predição Diagnóstica de Doença Coronariana: Comparação com um Modelo Estatístico Tradicional |
title_sort |
Validação de um Algoritmo de Inteligência Artificial para a Predição Diagnóstica de Doença Coronariana: Comparação com um Modelo Estatístico Tradicional |
author |
Correia,Luis |
author_facet |
Correia,Luis Lopes,Daniel Porto,João Vítor Lacerda,Yasmin F. Correia,Vitor C. A. Bagano,Gabriela O. Pontes,Bruna S. B. Melo,Milton Henrique Vitoria de Silva,Thomaz E. A. Meireles,André C |
author_role |
author |
author2 |
Lopes,Daniel Porto,João Vítor Lacerda,Yasmin F. Correia,Vitor C. A. Bagano,Gabriela O. Pontes,Bruna S. B. Melo,Milton Henrique Vitoria de Silva,Thomaz E. A. Meireles,André C |
author2_role |
author author author author author author author author author |
dc.contributor.author.fl_str_mv |
Correia,Luis Lopes,Daniel Porto,João Vítor Lacerda,Yasmin F. Correia,Vitor C. A. Bagano,Gabriela O. Pontes,Bruna S. B. Melo,Milton Henrique Vitoria de Silva,Thomaz E. A. Meireles,André C |
dc.subject.por.fl_str_mv |
Estudos de Validação Inteligência Artificial Doença da Artéria Coronariana/diagnóstico Interpretação Estatística de Dados |
topic |
Estudos de Validação Inteligência Artificial Doença da Artéria Coronariana/diagnóstico Interpretação Estatística de Dados |
description |
Resumo Fundamento: A análise prognóstica multivariada tem sido realizada tradicionalmente por modelos de regressão. No entanto, muitos algoritmos surgiram, capazes de traduzir uma infinidade de padrões em probabilidades. A acurácia dos modelos de inteligência artificial em comparação à de modelos estatísticos tradicionais não foi estabelecida na área médica. Objetivo: Testar a inteligência artificial como um algoritmo preciso na predição de doença coronariana no cenário de dor torácica aguda, e avaliar se seu desempenho é superior a do modelo estatístico tradicional. Métodos: Foi analisada uma amostra consecutiva de 962 pacientes admitidos com dor torácica. Dois modelos probabilísticos de doença coronariana foram construídos com os primeiros 2/3 dos pacientes: um algoritmo machine learning e um modelo logístico tradicional. O desempenho dessas duas estratégias preditivas foi avaliado no último terço de pacientes. O modelo final de regressão logística foi construído somente com variáveis significativas a um nível de significância de 5%. Resultados: A amostra de treinamento tinha idade média de 59 ± 15 anos, 58% do sexo masculino, e uma prevalência de doença coronariana de 52%. O modelo logístico foi composto de nove preditores independentes. O algoritmo machine learning foi composto por todos os candidatos a preditores. Na amostra teste, a área sob a curva ROC para predição de doença coronariana foi de 0,81 (IC95% = 0,77 – 0,86) para o algoritmo machine learning, similar à obtida no modelo logístico (0,82; IC95% = 0,77 – 0,87), p = 0,68. Conclusão: O presente estudo sugere que um modelo machine learning acurado não garante superioridade à um modelo estatístico tradicional |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-12-01 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0066-782X2021001401061 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0066-782X2021001401061 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
10.36660/abc.20200302 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
text/html |
dc.publisher.none.fl_str_mv |
Sociedade Brasileira de Cardiologia - SBC |
publisher.none.fl_str_mv |
Sociedade Brasileira de Cardiologia - SBC |
dc.source.none.fl_str_mv |
Arquivos Brasileiros de Cardiologia v.117 n.6 2021 reponame:Arquivos Brasileiros de Cardiologia (Online) instname:Sociedade Brasileira de Cardiologia (SBC) instacron:SBC |
instname_str |
Sociedade Brasileira de Cardiologia (SBC) |
instacron_str |
SBC |
institution |
SBC |
reponame_str |
Arquivos Brasileiros de Cardiologia (Online) |
collection |
Arquivos Brasileiros de Cardiologia (Online) |
repository.name.fl_str_mv |
Arquivos Brasileiros de Cardiologia (Online) - Sociedade Brasileira de Cardiologia (SBC) |
repository.mail.fl_str_mv |
||arquivos@cardiol.br |
_version_ |
1752126571977637888 |