Inteligência artificial no diagnóstico de dermatoses eritemato-descamativas

O diagnóstico das doenças dermatológicas representa um grande desafio na prática clínica, especialmente para médicos generalistas, devido à grande variedade de condições e à semelhança entre suas manifestações clínicas. Estudos demonstraram diferenças importantes na acurácia diagnóstica entre especialistas e profissionais da atenção primária, evidenciando a necessidade de ferramentas de apoio à decisão clínica.

Nesse contexto, a inteligência artificial (IA) e os modelos de machine learning surgem como alternativas promissoras para auxiliar o diagnóstico de doenças eritemato-descamativas, como dermatites, psoríase e líquen plano, particularmente em cenários onde exames complementares, como a histopatologia, não estão amplamente disponíveis.

Diante disso, Cipriano e colaboradores (2024) desenvolveram um algoritmo interpretável de machine learning capaz de diferenciar e diagnosticar seis doenças dermatológicas eritemato-descamativas utilizando apenas dados clínicos, com potencial aplicação na atenção primária à saúde.

Os autores utilizaram um banco de dados público contendo informações de 366 pacientes diagnosticados com seis doenças dermatológicas eritemato-descamativas: dermatite crônica, líquen plano, pitiríase rósea, pitiríase rubra pilar, psoríase e dermatite seborreica.

Foi desenvolvido um modelo de aprendizado de máquina baseado no algoritmo Random Forest para classificação multiclasse, utilizando 70% dos dados para treinamento e 30% para teste. O desempenho do modelo foi avaliado por meio de métricas como acurácia, sensibilidade, especificidade, valores preditivos, F1-score e área sob a curva ROC (ROC-AUC).

Para aumentar a transparência dos resultados, os pesquisadores aplicaram a técnica SHapley Additive exPlanations (SHAP), que permite identificar a contribuição de cada característica clínica para a predição diagnóstica, tornando o processo de decisão do algoritmo mais interpretável e compreensível para a prática clínica.

O algoritmo apresentou bom desempenho diagnóstico utilizando apenas dados clínicos, alcançando acurácia global de 86%. Os melhores resultados foram observados para pitiríase rubra pilar e pitiríase rósea, que apresentaram sensibilidade de 100% e 93%, respectivamente, enquanto dermatite crônica e dermatite seborreica obtiveram as menores métricas, com sensibilidade de 67% e 78%, respectiva mente. Ainda assim, o modelo obteve sucesso em predizer resultados negativos dessas doenças, alcançando valores altos de especificidade e valor preditivo negativo (dermatite crônica: 99% e 94%; dermatite seborreica: 94% e 96%).

A análise de interpretabilidade mostrou que as características clínicas mais importantes para a tomada de decisão do modelo foram acometimento de joelhos e cotovelos, acometimento do couro cabeludo, fenômeno de Koebner, presença de pápulas poligonais, acometimento da mucosa oral e bordas bem definidas. Por outro lado, idade, eritema e histórico familiar tiveram menor impacto na classificação diagnóstica.

Entre os padrões identificados pelo algoritmo, a presença de acometimento de joelhos, cotovelos e couro cabeludo foi fortemente associada ao diagnóstico de psoríase, enquanto pápulas poligonais e acometimento da mucosa oral se destacaram como marcadores de líquen plano. O modelo também identificou associações características para as demais doenças avaliadas, demonstrando boa capacidade de reproduzir padrões clínicos reconhecidos na prática dermatológica.

A análise de interpretabilidade por SHAP demonstrou que as doenças com melhor desempenho preditivo foram aquelas com perfis clínicos mais distintos, enquanto condições com características semelhantes, como dermatite crônica e dermatite seborreica, apresentaram maior dificuldade de diferenciação pelo algoritmo.

O estudo de Cipriano e colaboradores (2024) destacou o potencial da IA como ferramenta de apoio ao diagnóstico de doenças dermatológicas eritemato-descamativas, com possível aplicação na atenção primária do SUS e potencial para aprimorar a tomada de decisão clínica por médicos não especialistas. Os autores sugeriram, para estudos futuros, o desenvolvimento de bancos de dados nacionais e multicêntricos, além da incorporação de análise de imagens de lesões cutâneas em ferramentas voltadas a médicos não especialistas.