Novos modelos COVID-19 de Inteligência Artificial oferecem resultados promissores

Modelos de aprendizado profundo que foram treinados em conjuntos de dados de várias instituições em todo o mundo produzem resultados promissores e generalizáveis ​​para identificar pneumonia COVID-19 em exames de TC de tórax, bem como para prever resultados adversos de pacientes. Em um artigo publicado online em 5 de fevereiro no European Journal of Radiology , uma equipe multinacional de pesquisadores liderada por Kuang Gong, PhD, do Massachusetts General Hospital, compartilhou como combinar a análise de biomarcadores derivados de TC com informações de registros eletrônicos de saúde (EHR) pode oferecer um alto nível de desempenho prognóstico em pacientes com COVID-19.

Os pesquisadores treinaram e testaram uma rede de aprendizagem profunda para segmentar regiões de infecção pulmonar COVID-19 usando 369 exames de TC de tórax sem contraste adquiridos em cinco instituições ao redor do mundo em tomógrafos da GE Healthcare , Philips Healthcare e Siemens Healthineers .

Dois biomarcadores de imagem - taxa de opacidade total e taxa de consolidação - foram então extraídos e usados ​​junto com a análise de sinais vitais e resultados de testes laboratoriais do EHR em três dos conjuntos de dados institucionais para identificar os fatores que são preditivos de desfechos graves do paciente, de acordo com para os pesquisadores. "Os resultados indicaram que a idade, [saturação de oxigênio], biomarcadores derivados de CT, [contagem de plaquetas] e [contagem de leucócitos] foram os preditores prognósticos mais importantes de pneumonia por COVID-19 em nossos modelos de prognóstico", escreveram os autores.

Embora os pesquisadores tenham criado modelos específicos para cada coorte individual devido às diferentes políticas de tratamento e variações no tempo de medição entre as instituições, eles disseram que pretendem buscar um modelo de prognóstico único no futuro. Eles também planejam realizar análises de prognóstico usando radiografias de tórax e dados de EHR.

Deep Covid DeteCT

Enquanto isso, outro grupo de pesquisa multinacional liderado por Edward Lee, PhD, da Universidade de Stanford, na Califórnia, desenvolveu Deep COVID DeteCT (DCD), um modelo de aprendizado profundo que pode detectar COVID-19 em tomografias computadorizadas de tórax sem exigir processamento especial de imagem. A rede neural convolucional também pode permitir previsões prognósticas rastreando recursos de imagem no algoritmo ao longo do tempo em estudos sequenciais de tomografia computadorizada, de acordo com os autores, que detalharam sua experiência em um estudo publicado online em 29 de janeiro na NPJ Digital Medicine .

Desenvolvido e testado usando dados de imagem que incluíram 3.529 pacientes positivos para COVID-19 de 13 instituições em oito países, o DCD analisa todo o volume da TC de tórax para distinguir entre pneumonia COVID-19, pneumonia não COVID-19 e controles normais. Os conjuntos de dados de imagem foram adquiridos de uma variedade de fornecedores - Canon Medical Systems , NeuSoft Medical Systems, Philips e Siemens - e tinham protocolos heterogêneos, incluindo exames de TC de tórax com e sem contraste, de acordo com os pesquisadores.

Eles descobriram que o DCD produziu um desempenho generalizável em pacientes de dois locais na China, bem como da Universidade de Stanford; Unity Health Toronto; Centro Médico e de Pesquisa Cardiovascular Rajaie em Teerã, Irã; o Sistema de Saúde Henry Ford em Detroit; a Universidade Federal de São Paulo em São Paulo, Brasil; Escola de Medicina da Universidade Koç, Istambul, Turquia; Universidade de Ciências Médicas de Teerã no Irã; e o conjunto de dados MosMedData COVID-19 da Rússia.

COVID DeteCT profundo produziu uma área sob a curva variando de 0,808 a 0,916 para identificar pneumonia COVID-19, 0,741 a 0,895 para pneumonia não COVID-19 e 0,806 a 0,98 para controles normais. Os níveis de precisão variaram de 70,7% a 88,1%.

Os pesquisadores também demonstraram como o DCD pode ser utilizado para rastrear o curso do COVID-19 em tomografias sequenciais e prever o prognóstico do paciente. “Mostramos padrões indicativos nas características do DCD que se correlacionam com o resultado do paciente”, escreveram os autores. "Finalmente, mostramos mapas de calor que destacam a progressão visual da trajetória da doença de um paciente ao longo do tempo."

Fonte: https://www.auntminnie.com/index.aspx?Sec=sup&Sub=cto&Pag=dis&ItemId=131526