Inteligência artificial para prever a evolução de um paciente após uma hemorragia intracraniana

A hemorragia intracraniana é uma condição muito comum que precisa ser diagnosticada e tratada prontamente. No entanto, ainda há falta de consenso na comunidade médica quanto ao seu tratamento devido, em certa medida, à incerteza na evolução do paciente após a hemorragia. Por isso, pesquisadores do Instituto de Física da Cantábria (IFCA, CSIC-UC) desenvolveram um modelo de aprendizado profundo para prever o bom ou mau prognóstico de uma lesão intracraniana hemorragia.

"Quando um paciente tem uma hemorragia intracraniana, é difícil saber se vai evoluir bem ou mal, portanto, é difícil tomar decisões sobre um tratamento mais interventivo ou mais agressivo", diz Amaia Pérez, radiologista no Hospital Universitário de Navarra del Barrio, cuja tese de doutorado resultou neste estudo. Publicado no Journal of Neuroimaging e codirigido pelo médico José Antonio Vega, da Universidade de Oviedo, e pela pesquisadora do IFCA, Lara Lloret, o estudo buscou proporcionar maior segurança no tratamento por meio de inteligência artificial, aprendizado profundo e uma infraestrutura adequada: “Você não pode fazer esse trabalho de imagem médica com seu computador pessoal, você precisa usar as unidades de processamento gráfico, ou CPUs, para criar essas redes neurais profundas”, explica Lloret.

A novidade em relação aos modelos de predição existentes é o desenvolvimento de um sistema de aprendizado profundo que permite prever o prognóstico da doença, ou seja, se o paciente evoluirá favoravelmente ou não. “Incluímos no estudo 262 pacientes da Cantábria que chegaram ao pronto-socorro de Valdecilla com suspeita de hemorragia intracraniana e, com as imagens das diferentes tomografias cerebrais e seus dados clínicos, treinamos um modelo personalizado para poder classificar os pacientes mau prognóstico e bom prognóstico, utilizando um modelo híbrido”, destacou Pérez del Barrio.

Este modelo é híbrido porque inclui dois grupos de dados: imagens de tomografia axial computadorizada (TC) e dados de cada paciente, como sexo, idade ou histórico médico, entre outros. Todos esses parâmetros melhoram o desempenho do modelo, pois, como aponta Pérez, "quanto mais dados, melhores previsões". Para o radiologista, esta ferramenta “poderá ter um grande impacto na tomada de decisões clínicas e ser muito útil para aplicar deep learning a outras imagens médicas, como raios-X ou ecografias”.

Medicina cada vez mais personalizada

O projeto, desenvolvido graças à colaboração de radiologistas e radiofísicos do Hospital Universitário Marqués de Valdecilla e à participação de pesquisadores como David Rodríguez (IFCA), representa um avanço no campo da medicina personalizada. “Devemos tentar tornar tudo mais personalizado: uma pessoa com um gene específico pode não ser bem atendida por um medicamento e deve tomar outro, e outra pessoa que aparenta ser igual, porém, tem uma variante genética diferente e talvez a recomendação seria diferente”, afirma Lloret. Pérez del Barrio acrescenta que são sistemas muito importantes para decidir o tratamento, mas que “vem para ajudar, não pretendem substituir ninguém”.

O próximo passo dessa iniciativa inclui a incorporação de sistemas de software aos hospitais e a avaliação de quando transmitir as informações ao paciente ou à família. “Neste momento não está sendo implementado e nem comercializado, mas é o futuro que queremos alcançar, um futuro que considero promissor, de uma medicina cada vez mais personalizada”, conclui Lloret.