🤖 IA & Tecnologia

Physician Gestalt Compared With Artificial Intelligence Mode

Estudo comparou a predição de intubação em pacientes críticos entre médicos e um modelo de IA, mostrando que médicos têm alta especificidade mas baixa sensibilidade. O modelo de IA ( Vent.io ) apresentou melhor desempenho em prever intubações, sugerindo que pode servir como um sinalizador precoce para reavaliação clínica. A aceitação entre médicos foi alta para um dashboard integrado, mas mais est

IA & Tecnologia 📄 Resumo de estudo 🏥 UTI / Emergência

§ 01

Visão geral

§ 02

🔬 SÍNTESE DO ESTUDO

Miller MA et al. Physician Gestalt Compared With Artificial Intelligence Model to Predict Intubation in Critically Ill Patients.Critical Care Explorations, v. 8, n. 4, e1393, abril 2026. DOI: 10.1097/CCE.0000000000001393

§ 03

📌 PERGUNTA PICO

Elemento	Detalhe
P	Pacientes adultos não-intubados em UTI clínica (MICU), excluindo DNI e traqueostomizados
I	Modelo de ML (Vent.io)
C	Intensivistas experientes (gestalt clínico)
O	Predição de intubação/VMI nas próximas 24 horas

§ 04

🏗️ DESENHO E MÉTODOS

Tipo: Estudo observacional prospectivo longitudinal

Local: 2 MICUs de hospitais universitários da UCSD (EUA) — UTIs fechadas de ensino

Período: Outubro/2024 a Maio/2025

N: 302 surveys completadas; 24 intensivistas certificados participantes

Aprovação ética: IRB UCSD nº 811257 (consentimento dispensado)

Grupo Médicos

Pergunta binária diária: "O paciente X precisará de VMI nas próximas 24h?"

Confiança registrada (escala 0–10)

Experiência coletada: anos pós-fellowship e semanas/ano em UTI

Grupo Vent.io

Rede neural feedforward de 3 camadas

Treinada em dados de EHR (sinais vitais, labs, SIRS/SOFA, medicamentos, comorbidades)

Output contínuo → limiar ≥ 3 = predição "sim" para intubação

AUC mediana de 0,897 e 0,908 na validação cruzada e no deploy prospectivo, respectivamente

Consultada no mesmo timestamp da survey médica (mesma janela informacional)

§ 05

📊 RESULTADOS

Desfecho primário (incidência de intubação)

Intubação nas 24h ocorreu em 21 casos (7,0%) das 302 predições

Desempenho — Médicos vs. Vent.io

Métrica	Médicos	Vent.io
Sensibilidade	0,190 (19%)	0,714 (71,4%)
Especificidade	0,960 (96%)	0,673 (67,3%)
Acurácia balanceada	0,576 (IC95% 0,499–0,666)	0,693 (IC95% 0,587–0,794)
AUC	—	0,798 (IC95% 0,717–0,972)

Análise estatística (modelos mistos generalizados)

Maior confiança do médico associou-se a maiores chances de predição correta (OR 1,49; IC95% 1,22–1,84; p < 0,001)

Vent.io teve odds significativamente maiores de predição correta quando o paciente de fato necessitou de intubação (OR 18,68; IC95% 1,87–186,31; p = 0,013)

Os intensivistas superaram o Vent.io na predição correta de ausência de intubação (OR 24,80; IC95% 13,22–46,52; p < 0,001)

Padrão de erro: McNemar χ² = 82,8; p < 0,001 — discordâncias majoritariamente na direção "Vent.io = sim / médico = não"

Confiança médica

Mediana de confiança = 8/10 (média 7,4; DP 2,2), apesar de sensibilidade de apenas 19% — dissociação marcante entre autopercepção e desempenho real

Aceitabilidade

72% dos médicos (13/18) consideraram que um dashboard integrado ao prontuário eletrônico com predição de risco de intubação seria uma ferramenta útil

§ 06

🎯 INTERPRETAÇÃO CLÍNICA

O que explica a baixa sensibilidade médica?

Os intensivistas adotaram um viés conservador: preferem não prever intubação para evitar intubar desnecessariamente. Isso maximiza especificidade, mas gera falsos negativos clínicos relevantes — pacientes que se deterioram sem a equipe ter antecipado.

É como um radar calibrado para evitar alarmes falsos: raramente toca sem razão (alta especificidade), mas frequentemente não detecta o avião que realmente vem (baixa sensibilidade).

Implicação prática do Vent.io

O modelo poderia agir como sinalizador precoce, promovendo reavaliação clínica quando o score piora — especialmente em situações de menor familiaridade com o paciente (plantões noturnos, primeiro dia de serviço). Nenhum médico disse que intubaria baseado apenas no score, mas muitos afirmaram que um score preocupante os levaria a reavaliar o paciente.

§ 07

⚠️ LIMITAÇÕES

Limitação	Impacto
Amostra pequena (n=302; apenas 21 eventos)	ICs amplos; possível erro amostral
Incidência baixa de intubação (7%)	Viés de seleção — muitos pacientes já intubados antes da survey
Survey diurna apenas	Eventos noturnos não capturados
Vent.io treinado em população mista (não só MICU)	Limiar ótimo no dataset foi 2,365, menor que o 3 usado
Predições binárias vs. score contínuo	Comparação assimétrica
Possível efeito Hawthorne	Survey pode ter alterado condutas

§ 08

📚 CONCLUSÕES

Médicos são altamente conservadores na predição de VMI, resultando em alta especificidade. O Vent.io pode melhorar desfechos clínicos ao oferecer indicador sensível para reavaliação. O algoritmo deve ser testado em ECR para determinar se seu uso melhora outcomes — e a combinação entre julgamento médico e ML pode ser necessária para otimizar resultados

§ 09

💡 RELEVÂNCIA PARA O CONTEXTO SAMUTI

Este estudo é diretamente aplicável ao projeto Nexus Prime ICU AI. Os dados reforçam:

IA não substitui o intensivista — a especificidade médica (96%) é insubstituível para evitar intubações desnecessárias

IA complementa o olho clínico — sensibilidade de 71% vs. 19% é um argumento forte para modelos de alerta precoce

Dashboard integrado ao prontuário é o formato aceito: 72% dos médicos o aprovaram

ECR ainda é necessário antes de implementação — evidência ainda é observacional (nível moderado, GRADE C→B pending RCT)

§ 10

📚 REFERÊNCIA ABNT-BR

MILLER, Michael A. et al. Physician gestalt compared with artificial intelligence model to predict intubation in critically ill patients. Critical Care Explorations, v. 8, n. 4, e1393, abr. 2026. DOI: 10.1097/CCE.0000000000001393.

Refs

Referências

[1]vent.io ↗