IA detecta transtorno bipolar em prontuários de pacientes com diagnósticos afetivos com AUC 0.93

PreprintmedRxiv 2026 · 1 min de leitura
AUC · transtorno bipolar
0.93
500 prontuários de pacientes com diagnósticos afetivos
Sensibilidade
96.4%
IC 95% 87.7–99.0
Especificidade
84.4%
IC 95% 71.2–92.3

Preprint de acurácia diagnóstica no medRxiv: modelo em prontuários com AUC 0.93, sensibilidade 96.4% e especificidade 84.4%.

Eugenio Ferro, Natalia Castaño-Villegas, Manuel F. Esteban Cárdenas, María Gómez Puentes, Carlos Torres-Delgado, Laura Ortiz Calderon, Katherine Monsalve, José Zea

Este estudo de acurácia diagnóstica avaliou inteligência artificial para detectar transtorno bipolar em prontuários eletrônicos de pacientes com diagnósticos afetivos. O conjunto relatado incluiu n=500 prontuários e um subconjunto de validação de n=100, seguindo STARD 2015 e TRIPOD-AI.

As métricas principais incluem AUC 0.93, sensibilidade 96.4% (IC 95%: 87.7–99.0), especificidade 84.4% (IC 95%: 71.2–92.3) e concordância por domínio 91.3% (IC 95%: 89.9–92.6). Entre 387 pacientes sem diagnóstico bipolar prévio, 36.4% foram recém-classificados como em risco.

Resultados em resumo

Os números principais do artigo, em linguagem simples.

Como o modelo se saiu

Quanto maior, melhor

Dados: 500 prontuários de pacientes com diagnósticos afetivos — medRxiv 2026

Pontuações em escala de 0 a 1 (AUC, kappa) aparecem ×100.

Ver os números em uma tabela
MétricaValorO que significa
AUC · transtorno bipolar0.93500 prontuários de pacientes com diagnósticos afetivos
Sensibilidade96.4%IC 95% 87.7–99.0
Especificidade84.4%IC 95% 71.2–92.3

Como citar

Eugenio Ferro, Natalia Castaño-Villegas, Manuel F. Esteban Cárdenas, María Gómez Puentes, Carlos Torres-Delgado, Laura Ortiz Calderon, Katherine Monsalve, José Zea. Artificial intelligence for detecting bipolar disorder in electronic health records of patients with affective diagnoses: a diagnostic accuracy study. medRxiv. 2026. https://doi.org/10.64898/2026.05.07.26352679

@article{ferro2026artificial,
  title     = {{Artificial intelligence for detecting bipolar disorder in electronic health records of patients with affective diagnoses: a diagnostic accuracy study}},
  author    = {Eugenio Ferro and Natalia Castaño-Villegas and Manuel F. Esteban Cárdenas and María Gómez Puentes and Carlos Torres-Delgado and Laura Ortiz Calderon and Katherine Monsalve and José Zea},
  journal   = {medRxiv},
  year      = {2026},
  doi       = {10.64898/2026.05.07.26352679},
  url       = {https://www.medrxiv.org/content/10.64898/2026.05.07.26352679v1},
  note      = {Preprint}
}

Mais pesquisas da Arkangel AI

Todas as pesquisas →

Para hospitais e operadoras

Valide estes resultados na sua instituição

Testamos o modelo com os seus próprios prontuários e a sua equipe, sob as suas regras de privacidade e governança.

Iniciar uma parceria
Ler artigoCitar