Inteligência Artificial prevê risco cardiovascular em TC de tórax de rotina

Um algoritmo de inteligência artificial (IA) foi capaz de prever o risco dos pacientes de eventos cardiovasculares futuros quantificando o cálcio da artéria coronária (CAC) em exames de TC de tórax de rotina, de acordo com uma pesquisa publicada online em 29 de janeiro na Nature Communications. Uma equipe de pesquisadores do Brigham and Women's Hospital (BWH) e do Massachusetts General Hospital (MGH) desenvolveu um modelo de aprendizado profundo para medir automaticamente o CAC em exames de TC de tórax fechados e não prolongados e, em seguida, testou-o em mais de 20.000 pacientes de quatro grandes ensaios clínicos . Eles descobriram que o escore de cálcio automatizado do algoritmo estava altamente correlacionado com a quantificação manual do CAC e era um preditor independente de eventos cardiovasculares em vários cenários clínicos.

"A implementação na prática clínica atenderia à necessidade não atendida de automatizar biomarcadores de imagem comprovados para orientar o gerenciamento e melhorar a saúde da população", escreveram os autores.

Um fator de risco chave

Embora as informações do CAC devam estar disponíveis para quase todos os pacientes que recebem TC de tórax, normalmente não são quantificadas devido a restrições de tempo, de acordo com o autor sênior Hugo Aerts, PhD, do Programa de Inteligência Artificial em Medicina (AIM) do BWH. Como resultado, os pesquisadores procuraram desenvolver um método automatizado para calcular esse importante fator de risco para eventos cardiovasculares futuros.

O primeiro autor Roman Zeleznik do Programa AIM da BWH e seus colegas treinaram seu algoritmo de IA de ponta a ponta usando dados de 1.636 participantes assintomáticos no Framingham Heart Study (FHS). Depois de localizar e segmentar o coração em exames de TC de tórax, o modelo de aprendizado profundo segmenta o CAC e calcula um escore de cálcio. Essas pontuações são usadas para estratificar os pacientes em categorias de risco: muito baixo (CAC = 0), baixo (CAC = 1-100), moderado (CAC = 101-300) e alto (CAC> 300).

Os pesquisadores testaram o algoritmo em mais de 20.000 pacientes de quatro coortes de estudo diferentes, incluindo 663 do estudo FHS, 14.959 fumantes pesados ​​que receberam rastreamento de câncer de pulmão no National Lung Screening Trial, 4.021 pacientes com dor torácica estável recebendo TC cardíaca (a imagem prospectiva multicêntrica Estudo para avaliação da dor torácica, o ensaio PROMISE) e 441 pacientes com dor torácica aguda recebendo tomografia computadorizada cardíaca (a regra de infarto do miocárdio usando tomografia assistida por computador, ensaio ROMICAT).

Depois de comparar a categoria de risco calculada de IA do paciente com os resultados do paciente, os pesquisadores descobriram que a pontuação automatizada foi um forte preditor - independente de fatores de risco como idade, sexo, diabetes, doença cardíaca, hipertensão e derrame - para doenças cardiovasculares futuras eventos em todas as coortes de pacientes incluídas no estudo. Os pacientes considerados de alto risco com base na pontuação automatizada tiveram as razões de risco mais altas - até 4,3 quando comparados com pacientes classificados como de risco muito baixo, de acordo com os pesquisadores.

Além do mais, a pontuação de cálcio do algoritmo teve alta correlação (correlação de Spearman de 0,92) com leitores especialistas em humanos em uma amostra de 5.521 participantes do estudo. Também rendeu uma área sob a curva comparável (AUC) para pontuações de risco manuais em três coortes de ensaios clínicos, bem como demonstrou confiabilidade teste-reteste robusta em dados de 252 indivíduos.

A diferença de AUC não atingiu significância estatística (p = 0,544).

O estudo mostra a oportunidade de usar IA para obter valor adicional de exames de TC de tórax, de acordo com o co-autor Dr. Michael Lu, do Centro de Pesquisa de Imagens Cardiovasculares (CIRC) do MGH. "O escore de cálcio na artéria coronária pode ajudar os pacientes e médicos a tomarem decisões personalizadas e informadas sobre se devem ou não tomar uma estatina", disse Lu em um comunicado. "Do ponto de vista clínico, nosso objetivo de longo prazo é implementar este sistema de aprendizagem profunda em registros eletrônicos de saúde, para identificar automaticamente os pacientes de alto risco."

O co-autor, Dr. Udo Hoffmann, do CIRC do MGH, também observou que o forte desempenho do algoritmo nas diferentes coortes de estudo fortalece sua generalização para ambientes clínicos. O algoritmo de código aberto pode ser baixado gratuitamente no site do grupo.

Fonte: https://www.auntminnie.com/index.aspx?sec=sup&sub=aic&pag=dis&ItemID=131493