A doença arterial coronariana (DAC) tem rosto? De acordo com um estudo publicado no periódico European Heart Journal, a resposta é sim.
No estudo, Shen Lin e colaboradores desenvolveram e validaram um algoritmo de inteligência artificial (por aprendizagem profunda, um ramo de aprendizado de máquina) para detectar a presença de DAC por meio da análise de retratos.
Alopecia, cabelos grisalhos, rugas faciais, vinco diagonal no lóbulo da orelha (sinal de Frank), xantelasma e halo corneano são características que costumam ser relacionadas com aumento do risco de DAC e outras doenças cardiovasculares; entretanto, o uso desses parâmetros para o rastreamento de DAC é ainda extremamente limitado.
Baseados nisso, os autores levantaram a hipótese de que a inteligência artificial (via modelo de aprendizagem profunda) poderia ser utilizada para analisar fotos do rosto de pacientes e detectar a presença de DAC.
O estudo incluiu pacientes que seriam submetidos a cineangiocoronariografia ou angiotomografia de coronárias. Todos os retratos obtidos para a pesquisa foram tirados com uma máquina fotográfica digital antes dos exames. Após a avaliação da anatomia coronariana, o diagnóstico de DAC foi definido como “presença de pelo menos uma estenose coronariana ≥ 50%”.
O estudo foi conduzido em duas fases. Na primeira, 5.796 pacientes elegíveis, provenientes de oito diferentes regiões da China, foram incluídos e divididos aleatoriamente entre um grupo de treinamento do modelo (90%) e um grupo de validação (10%) para desenvolvimento dos algoritmos. Na segunda fase, 1.013 pacientes elegíveis de nove locais foram incluídos em um grupo de teste.
Os pesquisadores realizaram múltiplas análises para entender melhor como a DAC foi identificada com o uso de inteligência artificial.
O algoritmo alcançou uma área sob a curva (AUC –derivada da curva ROC) de 0,757 (intervalo de confiança, IC, de 95% de 0,710 a 0,805) no grupo de validação e 0,730 (IC 95% de 0,699 a 0,761) no grupo de teste. Usando o ponto operacional com a soma máxima de sensibilidade e especificidade, o algoritmo teve sensibilidade de 0,71 e especificidade de 0,72 no grupo de validação, com sensibilidade de 0,68 e especificidade de 0,68 no grupo de teste. Estes resultados corresponderam a um VPP de 0,89 e VPN de 0,42 no grupo de validação, e VPP de 0,72 e VPN de 0,64 no grupo de teste. Usando o ponto operacional com mais alta sensibilidade (80%), o algoritmo teve sensibilidade de 0,80 e especificidade de 0,61 no grupo de validação, e de 0,80 e 0,54 no grupo de teste, respectivamente.
No grupo de teste, o algoritmo exibiu uma AUC mais alta quando comparado com os critérios de Diamond-Forrester (0,730 vs. 0,623; P < 0,001) ou com o escore clínico do CAD consortium (0,730 vs. 0,652; P < 0,001). O acréscimo das três variáveis dos critérios de Diamond-Forrester(0,730 vs. 0,726; P = 0,66) e de 26 variáveis definidas por modelo de regressão logística (0,730 vs. 0,724; P = 0,52) não melhorou significativamente a AUC do algoritmo. Isso pode ser explicado porque o algoritmo pode, em parte, predizer a presença de doença arterial coronariana identificando fatores de risco tradicionais (a análise do retrato também foi capaz de predizer com precisão os fatores de risco cardiovascular).
O desempenho do algoritmo foi semelhante entre pacientes do sexo masculino e feminino, sendo melhor entre pacientes com angina típica, mais fatores de risco de DAC, menos de 60 anos de idade ou lesões mais complexas.
No estudo, a inteligência artificial pode ter extraído algumas características fortemente associadas a DAC, mas que estão além da percepção ou compreensão humana. Por exemplo, idade percebida, adiposidade facial e formato do rosto têm sido associados à saúde cardiovascular humana, mas é difícil quantificar essas características e conduzir estudos para confirmar essas informações.
Existem pelo menos dois cenários diferentes nos quais essa ferramenta poderia ser utilizada: (1) com um desempenho superior ao dos critérios de Diamond-Forrester, o algoritmo pode ser usado para avaliar a probabilidade pré-teste e orientar testes diagnósticos adicionais; e (2) para o rastreamento de doença arterial coronariana em populações de alto risco cardiovascular.
Com relação às limitações do estudo, a primeira delas é que apenas pacientes chineses foram incluídos e, portanto, os achados não podem ser generalizados para outras populações. Além disso, a baixa especificidade do algoritmo e a alta incidência de resultados falso-positivos (> 46%) podem causar ansiedade e outros inconvenientes para os pacientes. Ainda será necessário validar esta ferramenta em pacientes ambulatoriais e em diferentes comunidades.
Shen Lin e colaboradores propuseram um novo conceito, em que a análise do rosto por meio de inteligência artificial pode ajudar a detectar a presença de doença arterial coronariana. Neste grande estudo transversal e multicêntrico, um algoritmo baseado em inteligência artificial e que analisa retratos de pacientes teve um desempenho moderado na detecção de DAC. Este foi mais um passo para o desenvolvimento de uma ferramenta baseada em aprendizagem profunda para a avaliação da probabilidade de DAC pré-teste em pacientes ambulatoriais ou para rastreamento de DAC na comunidade, o que pode ajudar a orientar exames diagnósticos adicionais ou atendimentos médicos.
Fonte: Newslab
