Revolução na detecção precoce de doenças: Como a Inteligência Artificial pode contribuir na análise de imagens médicas?
Desenvolvido por pesquisadores da Edith Cowan University, um software capaz de analisar rapidamente exames de densidade óssea ganha
IA e a predição de riscos de saúde no futuro
O futuro já chegou e, graças à inteligência artificial, estamos nos aproximando de um cenário onde será possível prever nossos riscos de desenvolver condições de saúde graves com um simples apertar de botão.
A calcificação aórtica abdominal (AAC) se refere ao acúmulo de depósitos de cálcio nas paredes da aorta abdominal, um sinal que pode indicar um risco aumentado de eventos cardiovasculares, como ataques cardíacos e derrames. Além disso, a AAC pode prever o risco de quedas, fraturas e demência em idade avançada.
Software acelera a análise de exames de densidade óssea
A análise dessas imagens habitualmente necessita de especialistas altamente treinados, um processo que pode levar de 5 a 15 minutos por imagem. Contudo, um software desenvolvido em uma colaboração entre a School of Science e a School of Medical and Health Sciences da Edith Cowan University (ECU) promete revolucionar essa realidade, sendo capaz de analisar cerca de 60.000 imagens em um único dia.
O pesquisador e bolsista do Heart Foundation Future Leader, o professor associado Joshua Lewis, afirma que esse significativo aumento na eficiência será crucial para o uso generalizado da AAC na pesquisa e na prevenção de problemas de saúde futuros.
Um esforço global e multidisciplinar
Os resultados desse trabalho emergem de uma colaboração internacional envolvendo a ECU, a University of WA, a University of Minnesota, Southampton, a University of Manitoba, o Marcus Institute for Aging Research e a Hebrew SeniorLife Harvard Medical School. É realmente um esforço global e multidisciplinar.
Apesar de não ser o primeiro algoritmo desenvolvido para avaliar a AAC a partir dessas imagens, este estudo é o maior do tipo e o primeiro a ser testado em ambiente real, utilizando imagens capturadas durante exames de densidade óssea de rotina.
Resultados promissores e novas versões do software
Após a análise de mais de 5000 imagens tanto por especialistas quanto pelo software, ambos concordaram 80% das vezes em relação à extensão da AAC (baixa, moderada ou alta). Importante observar que apenas 3% dos indivíduos considerados com altos níveis de AAC foram erroneamente diagnosticados pelo software como tendo níveis baixos.
Joshua Lewis evidencia a relevância desses resultados, destacando o potencial do software para triagem em larga escala de doenças cardiovasculares e outras condições, mesmo antes de surgirem sintomas. “Isso permitirá que pessoas em risco adotem mudanças de estilo de vida necessárias muito antes e as coloque em um lugar melhor para serem mais saudáveis em seus anos posteriores”, enfatiza ele.
Quais a limitações e os principais desafios da atualidade?
Apesar do enorme potencial que essa tecnologia oferece, ainda existem alguns desafios a serem superados. A precisão do software, embora promissora, ainda está em fase de aperfeiçoamento. Além disso, há questões éticas relacionadas à privacidade dos dados dos pacientes e ao uso responsável da inteligência artificial na medicina. As autoridades de saúde também precisam estabelecer diretrizes claras para a implementação dessas tecnologias em um ambiente clínico, garantindo que elas complementem, e não substituam, o julgamento de profissionais altamente treinados.
O impacto social e econômico pode trazer resultados positivos
A implementação bem-sucedida dessa tecnologia tem o potencial de transformar não apenas o setor de saúde, mas também trazer impactos sociais e econômicos significativos. A detecção precoce de condições de saúde graves poderia resultar em tratamentos mais eficazes e menos custosos, reduzindo a pressão sobre os sistemas de saúde pública. Além disso, ao permitir que as pessoas tenham uma melhor compreensão de seus riscos de saúde futuros, podemos também observar melhorias na qualidade de vida de indivíduos que adotam mudanças preventivas em seus estilos de vida.
Ref.: “Machine learning for abdominal aortic calcification assessment from bone density machine-derived lateral spine images”, eBioMedicine. DOI: 10.1016/j.ebiom.2023.104676
O projeto recebeu financiamento da Heart Foundation, graças à bolsa Future Leadership Fellowship concedida ao Prof. Lewis em 2019, que garantiu suporte para pesquisa por um período de três anos.
