Palestrante
Descrição
A coexistência endêmica de Dengue, Zika e Chikungunya em países tropicais impõe um desafio para o diagnóstico diferencial dentre essas doenças, agravado pela sobreposição de manifestações clínicas nas fases iniciais e pela limitação de acesso a exames confirmatórios em contextos de baixa renda. Somado a isso, reações cruzadas nos testes sorológicos e coinfecções tornam essa distinção ainda mais imprecisa, elevando o risco de manejo terapêutico inadequado, piorando o prognóstico dos pacientes acometidos. Nesse cenário, a eficácia de modelos de Inteligência Artificial (IA) têm sido investigadas como ferramentas de suporte à decisão clínica no diagnóstico dessas enfermidades. O presente estudo tem como objetivo analisar a produção científica recente sobre modelos de Inteligência Artificial voltados ao diagnóstico diferencial dessas arboviroses, avaliando sua acurácia técnica, bem como as barreiras à implementação em cenários de escassez de recursos.Esta revisão integrativa foi orientada pelo referencial de Whittemore e Knafl (2005) nas bases PubMed, SciELO e BVS, com descritores MeSH/DeCS cruzados via operadores booleanos e recorte temporal de 2019 a 2026, incluindo estudos que validaram modelos de IA em dados clínicos reais ou de prontuários de países endêmicos. Em um estudo em contexto Colombiano, modelos de Random Forest aplicados a dados clínicos e laboratoriais simples, atingiram acurácia superior a 98% para as três arboviroses. Em escala populacional, modelo treinado com 6,7 milhões de registros epidemiológicos brasileiros alcançou AUC de 0,9865 operando apenas com variáveis demográficas e clínicas. A distinção entre Dengue e Zika permanece o principal desafio de especificidade, atribuído à proximidade filogenética entre os vírus e à subnotificação histórica de Zika, que restringe a base de dados para treinamento das IAs. Desse modo, mesmo que os modelos de IA testados demonstrem desempenho técnico robusto, esta revisão identifica lacunas prioritárias a serem corrigidas antes de uma aplicação em massa desses modelos extrapolando o cenário científico: escassez de validações multiclasse com dados dos sistemas de notificação brasileiros e ausência de protocolos de integração com equipes de atenção primária. A mitigação do viés de notificação e o desenvolvimento de modelos explicáveis são condições necessárias para que a acurácia técnica se traduza em impacto clínico mensurável no âmbito do Sistema Único de Saúde brasileiro.
| Palavras-chave | Inteligência Artificial; Diagnóstico Diferencial; Arbovirose; Acurácia Diagnóstica. |
|---|---|
| Em qual formato você prefere apresentar seu trabalho? | Pôster |
| Deseja concorrer à premiação de melhores trabalhos? | Sim |
| O seu trabalho se encaixa em qual dos 20 Objetivos de Desenvolvimento Sustentável (ODSs)? | 3. Saúde e Bem-Estar |