Os cientistas desenvolveram um modelo de IA que identifica com precisão as funções cardíacas e doenças cardíacas valvares usando radiografias de tórax. A pesquisa poderia complementar a ecocardiografia tradicional, melhorar a eficiência diagnóstica e ser especialmente útil em ambientes que carecem de técnicos especializados.
Os cientistas revelam métodos inovadores e precisos baseados em IA para classificar a função cardíaca e a doença usando radiografias de tórax.
Embora a inteligência artificial (IA) possa muitas vezes ser percebida como um sistema sem emoção e impulsionado por máquinas, pesquisadores da Universidade Metropolitana de Osaka revelaram seu potencial para fornecer apoio caloroso – ou, mais precisamente, de “alerta para o coração”.
A equipe desenvolveu uma aplicação inovadora de IA que categoriza as funções cardíacas e identifica com precisão a doença cardíaca valvar, destacando os avanços contínuos na integração da ciência e tecnologia médicas para melhorar os resultados dos pacientes. Os resultados foram publicados recentemente na revista The Lancet Digital Health.
A doença cardíaca valvar, uma das causas de insuficiência cardíaca, é frequentemente diagnosticada por meio da ecocardiografia. Esta técnica, no entanto, requer habilidades especializadas, de modo que há uma escassez correspondente de técnicos qualificados. Já a radiografia de tórax é um dos exames mais comuns para identificar doenças, principalmente dos pulmões. Embora o coração também seja visível nas radiografias de tórax, pouco se sabia até então sobre a capacidade das radiografias de tórax em detectar a função ou doença cardíaca.
Esquerda: Radiografia de tórax Direita: Visualização dos fundamentos do julgamento da IA. Crédito: Daiju Ueda, OMU.
As radiografias de tórax, ou radiografias de tórax, são realizadas em muitos hospitais e pouco tempo é necessário para realizá-las, tornando-as altamente acessíveis e reprodutíveis. Assim, a equipe de pesquisa liderada pelo Dr. Daiju Ueda, do Departamento de Radiologia Diagnóstica e Intervencionista da Escola de Pós-Graduação de Medicina da Universidade Metropolitana de Osaka, considerou que, se a função cardíaca e a doença pudessem ser determinadas a partir de radiografias de tórax, esse teste poderia servir como um suplemento à ecocardiografia.
A equipe do Dr. Ueda desenvolveu com sucesso um modelo que utiliza IA para classificar com precisão as funções cardíacas e doenças cardíacas valvares a partir de radiografias de tórax. Como a IA treinada em um único conjunto de dados enfrenta viés potencial, levando a baixa precisão, a equipe buscou dados multi-institucionais. Assim, foram coletadas 22.551 radiografias de tórax associadas a 22.551 ecocardiogramas de 16.946 pacientes em quatro serviços entre 2013 e 2021. Com as radiografias de tórax definidas como dados de entrada e os ecocardiogramas definidos como dados de saída, o modelo de IA foi treinado para aprender características conectando ambos os conjuntos de dados.
O modelo de IA foi capaz de categorizar precisamente seis tipos selecionados de valvopatias, com a Área sob a Curva, ou AUC, variando de 0,83 a 0,92. (AUC é um índice de classificação que indica a capacidade de um modelo de IA e usa um intervalo de valores de 0 a 1, com quanto mais próximo de 1, melhor.) A AUC foi de 0,92 em um ponto de corte de 40% para detectar a fração de ejeção do ventrículo esquerdo, uma medida importante para monitorar a função cardíaca.
“Levamos muito tempo para chegar a esses resultados, mas acredito que essa é uma pesquisa significativa”, afirmou Ueda. “Além de melhorar a eficiência dos diagnósticos dos médicos, o sistema também pode ser usado em áreas onde não há especialistas, em emergências noturnas e para pacientes que têm dificuldade de fazer ecocardiografia.”
Referência: “Modelo baseado em inteligência artificial para classificar funções cardíacas a partir de radiografias de tórax: um estudo multi-institucional, retrospectivo de desenvolvimento e validação de modelos” por Daiju Ueda, Toshimasa Matsumoto, Shoichi Ehara, Akira Yamamoto, Shannon L Walston, Asahiro Ito, Taro Shimono, Masatsugu Shiba, Tohru Takeshita, Daiju Fukuda e Yukio Miki, 6 de julho de 2023, The Lancet Digital Health.
