Novo Modelo de IA Detecta Amiloidose Cardíaca Mais Cedo Com 93% de Sensibilidade

A amiloidose cardíaca (CA) é uma causa progressiva e frequentemente fatal de insuficiência cardíaca, provocada pelo acúmulo de depósitos de proteínas mal dobradas no músculo cardíaco. Apesar do reconhecimento crescente da doença, o diagnóstico costuma ser retardado em cerca de um ano após a suspeita clínica — em parte porque não existe um exame de triagem de primeira linha confiável. Até mesmo a ecocardiografia, um exame de imagem cardíaca padrão, apresenta limitações de acurácia devido à sobreposição da CA com outras condições cardíacas. Essa lacuna diagnóstica tem consequências reais: quanto mais cedo a CA é detectada, mais eficazes tendem a ser as terapias disponíveis.

Pesquisadores do MedStar Health Research Institute desenvolveram o AI-ECM, um algoritmo de IA multimodal que combina dados demográficos, biomarcadores laboratoriais e parâmetros de ecocardiografia transtorácica (TTE) em um único modelo diagnóstico. A ferramenta é baseada no Us2.Ca, um modelo de aprendizado profundo com autorização FDA, originalmente fundamentado apenas em dados de TTE. Ao incorporar variáveis clínicas e laboratoriais, a equipe buscou capturar sinais diagnósticos que o exame de imagem isolado não consegue identificar.

Em um estudo de validação interna com dados de um registro multiétnico, o AI-ECM demonstrou melhorias expressivas: a sensibilidade aumentou de 76% para 93%, e a área sob a curva melhorou de 0,89 para 0,94. Notavelmente, o modelo eliminou completamente as classificações indeterminadas — um problema recorrente nas ferramentas existentes. Também apresentou ganhos especialmente relevantes na detecção da CA de cadeia leve, um subtipo historicamente mais difícil de identificar.

A contrapartida é uma modesta redução na especificidade, de 91% para 85%, o que significa um ligeiro aumento nos falsos positivos. No entanto, comentaristas editoriais do Brigham and Women's Hospital observaram que, para uma ferramenta de triagem projetada para reduzir diagnósticos perdidos, a sensibilidade elevada é a métrica clinicamente mais relevante.

O modelo utiliza exclusivamente dados de rotina já coletados durante a avaliação inicial da CA, o que o torna praticamente escalável sem impor uma carga adicional de exames. A validação prospectiva em populações mais amplas ainda é necessária antes da implementação clínica, mas os resultados representam um avanço significativo em direção à detecção precoce guiada por IA de uma condição em que o momento do diagnóstico é determinante.