Projeto-Piloto de Previsão de Multirresistência com IA — Universidade Jamhuriya Testa Triagem por Random Forest nos Hospitais de Mogadíscio

A Somália tem uma das infraestruturas de vigilância da resistência antimicrobiana (RAM) mais frágeis do mundo, com a capacidade laboratorial e a comunicação de dados consistente ainda em construção a nível nacional. Investigadores do Centro de Investigação sobre Resistência Antimicrobiana da Universidade Jamhuriya de Ciências e Tecnologia propuseram-se testar se um modelo de aprendizagem automática simples, treinado apenas com dados recolhidos rotineiramente no ponto de cuidado, poderia ajudar a sinalizar prováveis infeções multirresistentes (MDR) em contextos sem capacidade laboratorial genómica ou avançada.
A partir de um conjunto de 1.012 isolados bacterianos recolhidos em unidades de saúde sentinela em Mogadíscio entre setembro de 2024 e janeiro de 2026, a equipa construiu um classificador random forest sobre uma coorte analítica final de 262 isolados, usando apenas idade, sexo, tipo de organismo, enfermaria e origem da amostra como preditores de resistência a cinco antibióticos sentinela. Num conjunto de teste de 51 isolados, o modelo atingiu uma exatidão global de 66,7% (IC 95%: 52,1–79,2%) e uma AUC de 0,607. A sensibilidade foi elevada, 91,4%, captando a maioria dos casos verdadeiramente MDR, mas a especificidade foi de apenas 12,5% — o modelo assinalou incorretamente como resistente a grande maioria dos isolados não resistentes.
Os autores afirmam claramente tratar-se de uma "prova de conceito preliminar" e não de uma ferramenta pronta para implementação: a coorte analítica correspondia a um quarto do conjunto original, com a prevalência de MDR enriquecida por viés de seleção (68,3% face a 32,6% no conjunto completo); o estudo foi realizado num único local; e não foi efetuada validação externa, validação cruzada ou otimização de hiperparâmetros. A Evidoria inclui este caso como um exemplo honesto e bem documentado da distância entre um projeto-piloto promissor e uma ferramenta de saúde pública fiável — útil precisamente por mostrar o que ainda é preciso corrigir antes de um instrumento de triagem baseado em IA poder ser confiável num contexto clínico de recursos limitados.