Transformando a assistência médica com IA: uma revisão sistemática da modelagem preditiva para detecção e gerenciamento precoce de doenças

Objetivo Este estudo visa revisar sistematicamente a modelagem preditiva impulsionada por inteligência artificial (IA) na assistência médica, com foco nos avanços recentes na detecção e gerenciamento precoce de doenças. Também identifica lacunas de pesquisa, métodos de validação, métricas de desempenho, percepções das partes interessadas e desafios de implementação. Design/metodologia/abordagem Uma busca estruturada em bancos de dados acadêmicos resultou em 24 estudos revisados por pares publicados entre 2015 e 2024. Após a triagem por relevância e rigor metodológico, 24 estudos foram selecionados para análise aprofundada. A Ásia respondeu pela maior parte, contribuindo com 13 estudos (62,5%), refletindo o crescente investimento da região em infraestrutura de saúde digital e pesquisa em IA, especialmente em países como China, Índia e Paquistão. A Europa a seguiu com 5 estudos (16,7%), indicando um forte interesse acadêmico e institucional na pesquisa biomédica habilitada por IA em países como Grécia, Reino Unido e Alemanha. A América do Norte contribuiu com 6 estudos (20,8%), principalmente dos EUA, que continua a desempenhar um papel de liderança na inovação em IA por meio de iniciativas lideradas por instituições acadêmicas, clínicas e do setor. Resultados A maioria dos estudos utilizou técnicas de IA, como Redes Neurais Convolucionais, Máquinas de Vetores de Suporte e modelos híbridos, alcançando alta performance diagnóstica. As precisões relatadas variaram de 88% a 98%, com escores AUC-ROC superiores a 0,90 em 72% dos estudos. Os valores de precisão e recall comumente ultrapassaram 0,85, refletindo robustas capacidades preditivas. No entanto, apenas 33% dos estudos relataram validação externa, e menos de 25% abordaram a interpretabilidade do modelo. O feedback das partes interessadas enfatizou usabilidade, segurança de dados e a necessidade de tomadas de decisão algorítmica transparentes. Apesar do sucesso técnico, barreiras como integração do fluxo de trabalho, preocupações éticas e falta de treinamento persistem. Originalidade/valor Esta revisão sistemática da literatura fornece uma síntese estruturada e baseada em evidências dos avanços recentes e limitações existentes na modelagem preditiva impulsionada por IA na saúde. Ao analisar sistematicamente 24 estudos revisados por pares, a revisão quantifica métricas de desempenho, práticas de validação e considerações das partes interessadas em diversos contextos geográficos. Ela contribui de forma única, fazendo a ponte entre a avaliação técnica e insights de implementação prática, sublinhando a necessidade urgente de estruturas de validação padronizadas, modelos transparentes e interpretáveis e colaboração interdisciplinar. A revisão oferece orientações práticas para pesquisadores, clínicos e formuladores de políticas que buscam integrar a IA de forma responsável nos fluxos de trabalho clínicos e melhorar os resultados de cuidados aos pacientes por meio da tomada de decisões orientada por dados.