FERRAMENTAS DE PREDIÇÃO DE RISCO À PREMATURIDADE: UMA REVISÃO INTEGRATIVA DA LITERATURA

INTRODUÇÃO: A prematuridade, definida como nascimentos que ocorrem antes de 37 semanas completas de gestação, representa um dos principais desafios de saúde pública mundial devido à elevada morbimortalidade neonatal e ao impacto econômico para os sistemas de saúde. Nesse contexto, técnicas de inteligência artificial (IA) e aprendizado de máquina têm sido cada vez mais empregadas no desenvolvimento de modelos capazes de predizer precocemente o risco de parto prematuro. OBJETIVOS: Identificar os modelos e ferramentas de predição de risco para parto prematuro descritos na literatura, com foco naqueles desenvolvidos por meio de técnicas de IA e aprendizado de máquina. MATERIAIS E MÉTODO: Foi realizada uma revisão integrativa da literatura com buscas nas bases PubMed/ MEDLINE, Scopus, Web of Science, Embase e LILACS, complementadas por literatura cinzenta e busca manual nas referências dos estudos incluídos. Foram selecionados artigos originais que desenvolveram, validaram ou aplicaram modelos de predição de parto prematuro baseados em IA ou aprendizado de máquina. Os dados extraídos incluíram características dos estudos, algoritmos utilizados, variáveis preditoras e principiais resultados, sendo analisados de forma descritiva por meio de frequências absolutas e relativas. RESULTADOS: Foram incluídos 60 estudos provenientes de 19 países. Observou-se predominância de publicações nos últimos 15 anos e ampla diversidade de algoritmos, destacando-se Logistic Regression (n = 39), Random Forest (n = 35), Support Vector Machine (n = 27), Decision Tree (n = 26) e Extreme Gradient Boosting (n = 25). Entre os estudos comparativos, o Random Forest apresentou o melhor desempenho com maior frequência. Foram identificadas 157 variáveis preditoras, sendo as mais utilizadas idade materna, histórico de parto prematuro, hipertensão arterial, escolaridade materna, consumo de álcool e/ou tabagismo, índice de massa corporal (IMC) e paridade. As variáveis apontadas com maior relevância pelos estudos para a predição incluíram idade materna, histórico de parto prematuro, hipertensão arterial, paridade, IMC e diabetes mellitus. CONSIDERAÇÕES FINAIS: Os modelos baseados em IA apresentaram potencial para aprimorar a identificação precoce de gestantes com risco de parto prematuro. Entretanto, a elevada heterogeneidade metodológica entre os estudos impossibilita a definição de um algoritmo universalmente superior, reforçando a necessidade de validações externas, maior padronização metodológica e integração dessas ferramentas à prática clínica.

PALAVRAS-CHAVE: Prematuridade; Inteligência Artificial; Aprendizado de Máquina; Modelos Preditivos; Parto Prematuro.