Applicability of machine learning in swallowing assessment in adults and older adults: A scoping review protocol
Aplicabilidade do aprendizado de máquina na avaliação da deglutição em adultos e idosos: um protocolo de revisão de escopo
Beatriz Saturnino Capistrano; Diane de Lima Oliveira; Denis de Jesus Batista; Guilherme Maia Zica; Vitória Neves de Barros; Túlio de Morais Revoredo; Ana Maria Furkim; Rodrigo Alves de Andrade
Abstract
Keywords
Resumo
Objetivo: desenvolver um protocolo de revisão de escopo para mapear a aplicação de aprendizado de máquina na avaliação instrumental da deglutição em adultos e idosos.
Métodos: será utilizada a estratégia PCC para a construção da pergunta norteadora da revisão. O mnemônico consistirá em participantes (adultos e idosos a partir de 18 anos de idade), conceito (aplicações de aprendizado de máquina) e contexto (avaliação instrumental da deglutição por meio de exames de imagem, incluindo ultrassonografia, videofluoroscopia da deglutição, tomografia computadorizada, videoendoscopia da deglutição e manometria esofágica). Serão considerados os estudos observacionais, experimentais e/ou quase experimentais. Excluídos os que não estiverem disponíveis na íntegra, estudos em animais, in vitro, cartas ao editor, erratas, protocolos de estudo, revisões e os que utilizaram exames de imagem para fins que não contemplam a deglutição e estudos com pessoas fora da faixa etária definida. Não haverá restrições ao idioma e ao período de publicação. Os estudos serão selecionados por dois revisores independentes e cegos. A busca será realizada em bases de dados (Pubmed, Scopus, Web Of Science, Embase, Cochrane Library, LILACS, IEEE Xplore e literatura cinzenta, como Google Acadêmico, ProQuest e MEDRXIV), além de busca manual e mapeamento em literatura cinzenta. Serão considerados para análise o delineamento, o tamanho amostral, a idade, o tipo de exame de imagem e o método/finalidade de aprendizado de máquina. Os dados serão apresentados por meio de diagramas, narrativas e tabelas.
Considerações Finais: aprendizado de máquina aplicado à avaliação instrumental da deglutição por meio de exames de imagem tem sido descrito na literatura como um instrumento de avaliação que possibilita a análise de imagens estáticas e dinâmicas, relacionadas à deglutição para diferentes contextos e populações. Este protocolo possibilitará desenvolver uma revisão de escopo para mapear as aplicações de machine learning à avaliação instrumental da deglutição com exames de imagem.
Palavras-chave
Referências
1. Baijens LWJ, Clavé P, Cras P, Ekberg O, Forster A, Kolb GF et al. European Society for Swallowing Disorders - European Union Geriatric Medicine Society white paper: Oropharyngeal dysphagia as a geriatric syndrome. Clin Interv Aging. 2016;11:1403-28.
2. Xavier JS, Gois ACB, Travassos LCP, Pernambuco L. Oropharyngeal dysphagia frequency in older adults living in nursing homes: An integrative review. CoDAS. 2021;33(3):e20200153.
3. Rofes L, Arreola V, Almirall J, Cabré M, Campins L, García-Peris P et al. Diagnosis and management of oropharyngeal dysphagia and its nutritional and respiratory complications in the elderly. Gastroenterol Res Pract. 2011;2011:818979.
4. Wang Z, Hou M, Yan L, Dai Y, Yin Y, Liu X. Deep learning for tracing esophageal motility function over time. Comput Methods Programs Biomed. 2021;207:106212.
5. Hsiao MY, Hsieh CF, Chiu YH, Chang YC, Chen WS, Chen YT. Deep learning for automatic hyoid tracking in videofluoroscopic swallow studies. Dysphagia. 2023;38(1):171-80.
6. Feng S, Liu B, Liu R, Lin H, Luo L. Automatic hyoid bone tracking in real-time ultrasound swallowing videos using deep learning based and correlation filter based trackers. Sensors (Basel). 2021;21(11):3712.
7. Iyer A, Thor M, Onochie I, Hesse J, Zakeri K, LoCastro E et al. Prospectively-validated deep learning model for segmenting swallowing and chewing structures in CT. Phys Med Biol. 2022;67(2):025005.
8. Andrade RA. Elaboração de um protocolo de avaliação ultrassonográfica da deglutição [Dissertation]. Recife (PE): Universidade Federal de Pernambuco; 2024. Available at:
9. Kim JK, Park SW, Lee JY, Jeong HJ, Park YH, Ryu JS. Deep learning analysis to automatically detect the presence of penetration or aspiration in videofluoroscopic swallowing study. J Korean Med Sci. 2022;37(6):e42.
10. Lundervold AS, Lundervold A. An overview of deep learning in medical imaging focusing on MRI. Z Med Phys. 2019;29(2):102-27.
11. Alzubaidi L, Zhang J, Humaidi AJ, Al-Dujaili A, Duan Y, Al-Shamma O et al. Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions. J Big Data. 2021;8(1):53.
12. Balbinot J, Machado GC, Hübner LS, Real CS, Signorini AV, Dornelles S. Swallowing assessment protocols: Guidelines and limitations. Clin Biomed Res. 2018;38(4):339-47.
13. Peters MDJ, Godfrey CM, Khalil H, McInerney P, Parker D, Soares CB. Guidance for conducting systematic scoping reviews. Int J Evid Based Healthc. 2015;13(3):141-6.
14. Tricco AC, Lillie E, Zarin W, O'Brien KK, Colquhoun H, Levac D et al. PRISMA Extension for Scoping Reviews (PRISMA-ScR): Checklist and explanation. Ann Intern Med. 2018;169(7):467-73.
15. Mahadevkar SV, Khemani B, Patil S, Kotecha K, Vora DR, Abraham A et al. A review on machine learning styles in computer vision-techniques and future direction. IEEE Access. 2022 Sep 26;10:107293-107329.
16. Erickson BJ, Korfiatis P, Akkus Z, Kline TL. Machine learning for medical imaging. Radiographics. 2017;37(2):505-15.
17. Topol EJ. High-performance medicine: The convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56.
Submetido em:
24/09/2025
Aceito em:
22/11/2025
Facebook
Twitter
LinkedIn
Mendeley
Email