IA encontra pistas ocultas sobre a saúde em tomografias computadorizadas de rotina
Um modelo de IA extraiu sinais de doenças e de risco futuro a partir de tomografias computadorizadas de rotina, mas os benefícios clínicos ainda precisam ser testados.
Resumo
Exames de TC de rotina podem revelar riscos à saúde além do motivo pelo qual foram solicitados. Pesquisadores da University of Pennsylvania desenvolveram o Percival, um modelo de inteligência artificial treinado com mais de 400.000 volumes de imagens de TC e os laudos correspondentes de 52.000 participantes. Os padrões de imagem identificados foram associados a 35 medidas laboratoriais e 351 categorias diagnósticas. Os modelos construídos a partir desses padrões tiveram desempenho particularmente bom na identificação de diagnósticos registrados de várias doenças cardíacas e de câncer de pâncreas. O Percival também superou os modelos de comparação na previsão de diagnósticos futuros, com os melhores resultados para insuficiência cardíaca, cirrose e insuficiência renal aguda. No entanto, a maioria dos valores laboratoriais foi difícil de estimar diretamente. Os resultados sugerem uma possível forma de extrair mais valor de exames já existentes, e não um motivo para buscar exames de imagem adicionais. A validação independente e as comparações com radiologistas continuam sendo próximos passos importantes.
Resumo Detalhado
Exames de tomografia computadorizada (TC) de rotina podem conter pistas sobre a saúde que vão muito além da condição que os médicos queriam investigar originalmente. Pesquisadores da Universidade da Pensilvânia desenvolveram um modelo de inteligência artificial chamado Percival para extrair essas pistas, o que pode ajudar os médicos a reconhecer doenças negligenciadas e estimar riscos futuros sem a necessidade de novas imagens e sem expor os pacientes a radiação adicional.
O modelo aprendeu a partir de mais de 400.000 volumes de imagens de TC associados a laudos radiológicos de 52.000 participantes do Penn Medicine BioBank. Os padrões de imagem refletiam idade, sexo e tamanho corporal. Os pesquisadores também encontraram associações estatisticamente significativas com 35 medidas laboratoriais, incluindo indicadores da função renal e hepática, do metabolismo, do hemograma e da inflamação. No entanto, estimar diretamente a maioria dos valores laboratoriais individuais continuou sendo difícil.
O modelo apresentou associações com 351 categorias de diagnóstico em vários sistemas de órgãos. Quando os pesquisadores o treinaram para distinguir pacientes com e sem diagnósticos registrados, seus melhores resultados incluíram fibrilação atrial, aterosclerose coronariana, insuficiência cardíaca e câncer de pâncreas. Ele superou um modelo de imagem treinado sem laudos associados, sugerindo que vincular as imagens a descrições clínicas acrescentou informações úteis.
Para diagnósticos posteriores, o Percival superou modelos de comparação que usavam apenas imagens, medidas de órgãos, ou idade e sexo. Os resultados foram mais fortes para insuficiência cardíaca, cirrose e insuficiência renal aguda. Se for validada, essa abordagem poderá ajudar os médicos a usar exames já existentes para sinalizar pacientes que precisam de avaliação adicional. Isso não demonstra que a realização de mais exames de TC para rastreamento beneficiaria adultos saudáveis.
Esses achados descrevem associações e capacidade de previsão, e não comprovam que o modelo detecta doenças mais cedo ou melhora os desfechos. O artigo não apresenta estimativas detalhadas de acurácia, e a comparação direta com radiologistas continua sendo uma próxima etapa. São necessárias validação independente, desempenho confiável em diferentes populações e evidências de que os alertas levam a um melhor cuidado antes do uso rotineiro. Os pacientes devem continuar com o rastreamento já estabelecido e conversar com seu médico sobre os achados dos exames, em vez de buscar exames de imagem apenas para fins de previsão.
Principais Descobertas
- Percival learned from more than 400,000 CT image volumes paired with radiology reports from 52,000 participants.
- Image patterns were associated with 35 laboratory measurements and 351 diagnosis categories, but most laboratory values remained difficult to estimate.
- Disease classification results were strongest for atrial fibrillation, coronary atherosclerosis, heart failure, and pancreatic cancer.
- Future diagnosis prediction outperformed comparison models, with strongest results for heart failure, cirrhosis, and acute kidney failure.
- The findings support further testing of existing scans, not additional CT screening for healthy adults.
Metodologia
Este relatório de notícias de pesquisa do Lifespan.io resume um estudo da University of Pennsylvania publicado na npj Digital Medicine. As evidências vêm do treinamento de um modelo de inteligência artificial de imagem e texto com tomografias computadorizadas e laudos radiológicos, seguido da avaliação das associações com resultados laboratoriais, diagnósticos registrados e diagnósticos posteriores. Trata-se de uma pesquisa preditiva observacional, e não de um ensaio clínico que demonstre melhora nos desfechos dos pacientes.
Limitações do Estudo
O artigo fornecido termina de forma abrupta e não apresenta estimativas detalhadas de precisão, horizontes temporais de previsão nem informações suficientes sobre validação independente. O artigo científico principal deve ser verificado quanto à separação dos dados, ao possível vazamento de informações, à diversidade da população e à questão de se os diagnósticos registrados posteriormente representam realmente uma doença nova. A comparação direta com radiologistas e as evidências de melhora nos desfechos clínicos ainda estão pendentes.
Gostou deste resumo?
Receba as pesquisas de longevidade mais recentes na sua caixa de entrada toda semana.
Digite seu e-mail para assinar: