Modelo de aprendizagem profunda automatiza detecção de doenças valvulares cardíacas graves

Fonte: Getty Images

Por Shania Kennedy

30 de agosto de 2023 - Pesquisadores da Escola de Medicina de Yale desenvolveram uma abordagem de aprendizagem profunda (DL) que pode detectar com precisão a estenose aórtica por meio da análise de ultrassonografia cardíaca, de acordo com um estudo publicado na semana passada no European Heart Journal.

A equipe de pesquisa indicou que a estenose aórtica, uma doença cardíaca comum causada pelo estreitamento da válvula aórtica, é um fator significativo de mortalidade e morbidade. A detecção precoce da doença é fundamental para prevenir esses resultados, mas requer ultrassonografia especializada do coração, conhecida como ecocardiografia Doppler.

A ecocardiografia Doppler é o principal exame utilizado para detectar estenose aórtica, mas a natureza especializada da imagem torna-a ineficiente e inacessível para uso em esforços de detecção precoce.

“Nosso desafio é que a avaliação precisa [da estenose aórtica] seja crucial para o manejo do paciente e a redução do risco. Embora os testes especializados continuem sendo o padrão ouro, a confiança naqueles que chegam aos nossos laboratórios ecocardiográficos provavelmente deixa passar as pessoas no início do estado da doença”, disse o autor sênior Rohan Khera, MD, MS, professor assistente de medicina cardiovascular e informática em saúde em Yale e diretor de seu Laboratório Cardiovascular Data Science (CarDS), em comunicado à imprensa detalhando o estudo.

O objetivo da equipe de pesquisa era desenvolver um modelo que pudesse permitir a triagem ultrassonográfica no local de atendimento para facilitar a detecção precoce da doença.

Para isso, os pesquisadores desenvolveram o modelo de aprendizagem profunda usando 5.257 estudos de exames de ecocardiografia transtorácica (TTE) que incluíram 17.570 vídeos entre 2016 e 2020 no Hospital Yale New Haven.

A ferramenta foi então validada externamente usando 2.040 estudos consecutivos do Yale New Haven Hospital, além de duas coortes geograficamente distintas de 4.226 e 3.072 estudos da Califórnia e de outros hospitais na Nova Inglaterra.

O modelo obteve alto desempenho em todas as coortes, atingindo uma área sob a curva característica de operação do receptor de 0,978 no conjunto de teste. Além disso, o DL alcançou uma área sob a curva característica de operação do receptor de 0,952 na coorte da Califórnia e 0,942 na coorte da Nova Inglaterra.

Estas descobertas levaram os investigadores a concluir que o modelo tem utilidade potencial para a detecção precoce da estenose aórtica.

“Nosso trabalho pode permitir uma triagem comunitária mais ampla para [estenose aórtica], já que ultrassonografias portáteis podem ser cada vez mais usadas sem a necessidade de equipamentos mais especializados. Eles já estão sendo usados ​​com frequência em departamentos de emergência e em muitos outros ambientes de atendimento”, afirmou Khera.

No entanto, são necessárias mais pesquisas antes que a ferramenta possa ser implantada em ambientes clínicos.

Pesquisas anteriores também tiveram como objetivo melhorar a detecção de estenose aórtica usando inteligência artificial (IA).

Em 2021, os pesquisadores da Kaiser Permanente demonstraram que o processamento de linguagem natural (PNL) poderia ajudar os médicos na identificação da estenose aórtica.

O modelo foi treinado para filtrar relatórios de ecocardiograma e dados de EMR para sinalizar abreviações, palavras e frases associadas à condição.

A ferramenta identificou rapidamente quase 54 mil pacientes que preenchiam os critérios para estenose aórtica, um processo que a equipe de pesquisa observou que pode levar anos se for realizado manualmente.