APLICAÇÃO DO APRENDIZADO DE MÁQUINA NO DIAGNÓSTICO DA GRAVIDEZ ECTÓPICA: UMA REVISÃO SISTEMÁTICA
DOI:
https://doi.org/10.47820/recima21.v6i7.6533Palavras-chave:
Gravidez ectópica, Aprendizado de máquina, Inteligência artificial, Diagnóstico clínico, UltrassonografiaResumo
Este artigo realizou uma revisão sistemática da literatura sobre o uso de aprendizado de máquina (ML) no diagnóstico de gravidez ectópica (EP). Foram analisados estudos publicados entre 2020 e 2024, utilizando critérios rigorosos de inclusão e exclusão. Os resultados mostram que técnicas avançadas, como redes neurais convolucionais, algoritmos bayesianos e máquinas de vetores de suporte, apresentam alta precisão diagnóstica, especialmente ao integrar múltiplas fontes de dados, como informações clínicas, laboratoriais e ultrassonográficas. Esses modelos demonstraram potencial para reduzir erros clínicos e melhorar a eficiência diagnóstica, superando limitações dos métodos tradicionais.No entanto, desafios como a falta de validação clínica robusta, a escassez de dados representativos e a complexidade dos modelos, que muitas vezes operam como "caixas pretas", ainda impedem sua implementação prática. Esta revisão contribui para um entendimento mais claro do estado da arte, destacando as abordagens mais eficazes, os principais desafios e as oportunidades para futuras pesquisas. A adoção responsável dessas tecnologias tem potencial para transformar o diagnóstico da EP, melhorando a segurança e os resultados clínicos das pacientes.
Downloads
Referências
BOWMAN, C. E. There is nothing medically magical about machine learning. Journal of the Royal Society of Medicine, v. 115, n. 9, p. 332, 2022. DOI: https://doi.org/10.1177/01410768221123239
COUCKUYT, A.; SEURINCK, R.; EMMANEEL, A. et al. Challenges in translational machine learning. Human Genetics, v. 141, p. 1451-1466, 2022. DOI: https://doi.org/10.1007/s00439-022-02439-8
DALZOCHIO, J. MILPDM: an architecture for predictive maintenance of assets in the military domain. 2024. Tese (Doutorado em Ciência da Computação) -- Universidade do Vale do Rio dos Sinos (UNISINOS), 2024.
ELLIS, R. J.; SANDER, R. M.; LIMON, A. Twelve key challenges in medical machine learning and solutions. Intelligence-Based Medicine, v. 6, p. 100068, 2022. DOI: https://doi.org/10.1016/j.ibmed.2022.100068
FISTOURIS, J.; BERGH, C.; STRANDELL, A. Pregnancy of unknown location: external validation of the hcg-based m6np and m4 prediction models in an emergency gynaecology unit. BMJ Open, v. 12, n. 11, 2022. DOI: https://doi.org/10.1136/bmjopen-2021-058454
GARZON, N. A.; BARBOSA, L. S. O. Aprendizado de Máquina na Medicina: Como Algoritmos de Aprendizado de Máquina Podem Ser Aplicados em Diagnósticos Médicos, Prognósticos e Descoberta de Novos Tratamentos. RECIMA21 - Revista Científica Multidisciplinar, v. 4, n. 12, 2023. DOI: https://doi.org/10.47820/recima21.v4i12.4708
HEINRICHS, B.; EICKHOFF, S. B. Your evidence? Machine learning algorithms for medical diagnosis and prediction. Human Brain Mapping, v. 41, n. 6, p. 1435-1444, 2020. DOI: https://doi.org/10.1002/hbm.24886
KITCHENHAM, B. Procedures for Performing Systematic Reviews. Keele University, UK: Department of Computer Science, 2004. Technical Report TR/SE-0401.
MA, D.; YANG, R.; CHEN, Y. et al. Identification of noninvasive diagnostic biomarkers for ectopic pregnancy using data-independent acquisition (DIA) proteomics: a pilot study. Scientific Reports, v. 12, p. 19992, 2022. DOI: https://doi.org/10.1038/s41598-022-23374-8
MENNICKENT, D.; RODRÍGUEZ, A.; OPAZO, M.; RIEDEL, C.; CASTRO, E.; ERIZ-SALINAS, A.; APPEL-RUBIO, J.; AGUAYO, C.; DAMIANO, A.; GUZMÁN-GUTIÉRREZ, E.; ARAYA, J. Machine learning applied in maternal and fetal health: a narrative review focused on pregnancy diseases and complications. Frontiers in Endocrinology, v. 14, p. 1130139, 2023. DOI: https://doi.org/10.3389/fendo.2023.1130139
MULLANY, K.; MINNECI, M.; MONJAZEB, R.; COIADO, O. C. Overview of ectopic pregnancy diagnosis, management, and innovation. Women's Health, v. 19, p. 17455057231160349, 2023. DOI: https://doi.org/10.1177/17455057231160349
POON, A. I. F.; SUNG, J. J. Y. Opening the black box of AI-Medicine. Journal of Gastroenterology and Hepatology, v. 36, n. 3, p. 581-584, 2021. DOI: https://doi.org/10.1111/jgh.15384
RUEANGKET, P.; RITTILUECHAI, K.; PRAYOTE, A. Predictive analytical model for ectopic pregnancy diagnosis: statistics vs. machine learning. Frontiers in Medicine, v. 9, 2022. DOI: https://doi.org/10.3389/fmed.2022.976829
SAVARIS, R.; MAISSIAT, J.; MOL, B.; BARNHART, K.; LINK, C. Diagnosing ectopic pregnancy using the Bayes theorem, a classic that is good as new: a retrospective cohort study. Human Reproduction, v. 37, Supplement 1, p. deac107.410, 2022. DOI: https://doi.org/10.1093/humrep/deac107.410
SHABAN, M.; MOLLAZADEH, S.; ESLAMI, S. et al. Prediction of chromosomal abnormalities in the screening of the first trimester of pregnancy using machine learning methods: a study protocol. Reproductive Health, v. 21, p. 101, 2024. DOI: https://doi.org/10.1186/s12978-024-01839-5
SHAZLY, S. A.; TRABUCO, E. C.; NGUFOR, C. G.; FAMUYIDE, A. O. Introduction to Machine Learning in Obstetrics and Gynecology. Obstetrics & Gynecology, v. 139, n. 4, p. 669-679, 2022. DOI: https://doi.org/10.1097/AOG.0000000000004706
Downloads
Publicado
Licença
Direitos de Autor (c) 2025 RECIMA21 -Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição 4.0.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.
