IA e radiografias: uma nova abordagem no diagnóstico da osteoporose

A osteoporose é caracterizada por um declínio na massa óssea e na integridade microestrutural. Embora frequentemente assintomática nas fases iniciais, a doença aumenta substancialmente o risco de fraturas por fragilidade, resultando em maior morbidade, mortalidade e redução da qualidade de vida.

Atualmente, o método padrão ouro para medir a densidade mineral óssea (DMO) é o dual-energy absorptiometry scan (DEXA) da coluna lombar e da anca. O DEXA é uma técnica radiológica custo-eficaz e não invasiva. No entanto, possui desvantagens significativas, incluindo acessibilidade limitada, a necessidade de padrões de qualidade rigorosos, dependência do operador e taxas de rastreio subótimas. Devido às suas limitações, tem-se explorado o potencial de classificação da osteoporose através de radiografias. Estudos recentes, utilizando tecnologias de inteligência artificial (IA), demonstraram que a DMO pode ser estimada com precisão a partir de radiografias de forma custo-eficaz.

Com objetivo de resumir as evidências que apoiam a utilidade dos métodos de IA para a classificação da osteoporose utilizando radiografias, Liu e colaboradores (2024) realizaram uma revisão sistemática.

A Revisão da Literatura seguiu o protocolo da declaração Preferred Reporting Items for Systematic Reviews and Meta-Analyses 2020 (PRISMA). Foi realizada uma consulta em bases de dados eletrônicas, incluindo ClinicalTrials.gov, Web of Science, MEDLINE e PubMed. A pesquisa utilizou termos específicos, combinando conceitos como inteligência artificial, saúde óssea e diagnóstico e modalidade de imagem.

A revisão inicial da literatura gerou 607 artigos, dos quais, 31 foram incluídos na análise.

A maioria dos artigos utilizou o exame padrão-ouro, DEXA, como referência para comparação.  Dos 31 estudos, um examinou radiografias tanto do quadril quanto da coluna, enquanto os 30 restantes analisaram diferentes regiões anatômicas. Embora os modelos de deep learning em todas as áreas anatômicas tenham mostrado uma boa área sobre a curva (AUC) e precisão geral, os estudos que utilizaram radiografias do calcâneo e dentárias geralmente apresentaram os valores de AUC e precisão mais altos. Esse sucesso foi atribuído à relativa escassez de tecido mole ao redor do calcâneo, o que minimiza a variabilidade das medições. Em contraste, a análise de radiografias da coluna lombar demonstrou o impacto negativo de artefatos como tecido mole, gases intestinais e roupas, que exigiram o uso de algoritmos de processamento de imagem para mitigação. Em radiografias do tórax, foi apontado que achados incidentais como nódulos calcificados ou fraturas antigas poderiam confundir a classificação da osteoporose.

O desempenho agrupado dos modelos de IA para classificação da osteoporose demonstrou resultados promissores. A precisão, sensibilidade e a especificidade variaram de 66,1% a 97,9%, 67,4% a 100,0% e 60,0% a 97,5%, respectivamente.

Uma grande vantagem da tecnologia residiu na economia de tempo e mão-de-obra na segmentação e análise de imagens. Além disso, a IA pode processar vastos conjuntos de dados de imagem sem intervenção manual, o que reduz o erro humano e a variabilidade interobservador.

Ademais, as radiografias representam uma modalidade ideal para o rastreio populacional em larga escala devido à sua custo-eficácia e exposição tipicamente menor à radiação em comparação com DEXA. Radiografias existentes, realizadas para outros fins, podem ser analisadas retrospectivamente para rastreio de osteoporose sem impor custos adicionais ou carga de radiação ao paciente. Além disso, a alta acurácia diagnóstica de alguns modelos de IA sugeriu que esse método pode servir como uma alternativa promissora em ambientes rurais ou países em desenvolvimento onde as máquinas DEXA são escassas.

No entanto, essa tecnologia não está isenta de desvantagens. Por exemplo, a coleta de dados apresenta-se como um obstáculo significativo devido a preocupações éticas, questões de privacidade de dados e vieses inerentes aos conjuntos de dados.

Em suma, Liu e colaboradores (2024) demonstraram que a IA pode ser uma alternativa promissora e mais acessível ao padrão DEXA, particularmente para rastreio populacional em larga escala, demonstrando alta precisão diagnóstica. As futuras pesquisas devem concentrar-se em abordar os desafios na aplicação técnica e na integração clínica para facilitar a futura implementação prática desta tecnologia.