https://doi.org/10.63923/sdes.2025.63
As fraturas por fragilidade representam uma das principais causas de morbimortalidade em idosos, podendo levar a perdas funcionais significativas e aumento do risco de complicações. Idosos fisicamente ativos constituem um subgrupo em que microlesões ósseas podem coexistir com perda de massa óssea, tornando a estratificação do risco um desafio clínico. Apresentar e sintetizar evidências sobre a integração entre modelagem por elementos finitos (FEA) e algoritmos de aprendizado de máquina para predizer fraturas, avaliando aplicabilidade clínica, benefícios e limitações. Busca nas bases PubMed, Scielo e Google Acadêmico de estudos originais publicados entre 2015 e 2024, que aplicaram FEA (QCT ou DXA) e/ou modelos de machine learning na predição de fraturas. Foram priorizados estudos de coorte, validações internas e externas, métricas discriminativas e análise de variáveis clínicas, bioquímicas e de imagem. Parâmetros derivados de FEA, como cargas de rendimento, carga última e energia até a falha, fornecem informações estruturais complementares à densidade mineral óssea, melhorando a discriminação do risco. Ferramentas DXA-FEA aproximam estimativas de modelos tridimensionais baseados em QCT, favorecendo escalabilidade, custo-benefício e aplicabilidade clínica. Algoritmos de aprendizado de máquina, incluindo CatBoost, Random Forest e Gradient Boosting, apresentaram desempenho superior a modelos convencionais ao integrar variáveis clínicas, bioquímicas e métricas de imagem, permitindo explicabilidade e identificação dos fatores mais relevantes para o risco de fratura. A combinação de FEA e aprendizado de máquina permite estratificação individualizada do risco, potencializando intervenções preventivas e monitoramento personalizado, embora a implementação clínica exija validações prospectivas e estudos de calibração. A integração de FEA e aprendizado de máquina é promissora para predizer fraturas em idosos ativos, podendo orientar planejamento de carga física e prevenção personalizada, mas ainda requer validações multicêntricas antes de uso rotineiro.
