Um novo modelo de inteligência artificial descobriu sinais não detectados anteriormente em exames cardíacos de rotina que preveem de forma confiável quais pacientes sofrerão complicações potencialmente fatais após a cirurgia. O modelo supera em muito as avaliações de risco nas quais os médicos confiam atualmente.
O trabalho de pesquisadores da Johns Hopkins University, financiado pelo governo, que transforma resultados de testes padrão e de baixo custo em uma ferramenta potencialmente salvadora de vidas, pode mudar fundamentalmente a tomada de decisões e o cálculo de risco para pacientes e cirurgiões.
“Demonstramos que um eletrocardiograma simples contém informações prognósticas importantes que não são visíveis a olho nu”, disse o autor sênior Robert D. Stevens, chefe de Ciência da Computação, Integração e Inovação da Johns Hopkins Medicine. “Só podemos extrair essas informações usando técnicas de aprendizado de máquina.”
Os resultados foram publicados hoje no British Journal of Anaesthesia.
Uma parcela significativa de pessoas sofre complicações com risco de vida após grandes cirurgias. As avaliações de risco que os médicos usam para identificar o risco de complicações são precisas em apenas cerca de 60% das vezes.
Na esperança de prever esses riscos à saúde com mais precisão, a equipe da Johns Hopkins University recorreu ao eletrocardiograma (ECG), um teste cardíaco padrão frequentemente realizado antes de grandes cirurgias. É um método rápido e não invasivo para medir a atividade cardíaca usando sinais elétricos e pode indicar doenças cardíacas.
Mas os sinais de ECG também capturam outras informações fisiológicas mais sutis, disse Stevens, e a equipe de Hopkins suspeitou que eles poderiam encontrar um tesouro de dados preditivos valiosos – se a IA pudesse ajudá-los a reconhecê-los.
“O ECG contém muitas informações realmente interessantes, não apenas sobre o coração, mas sobre todo o sistema cardiovascular”, disse Stevens. “Inflamação, o sistema endócrino, metabolismo, fluidos, eletrólitos – todos esses fatores moldam a morfologia do ECG. Se pudéssemos obter um conjunto de dados muito grande de resultados de ECG e analisá-lo usando aprendizado profundo, poderíamos obter informações valiosas que não estão disponíveis para os clínicos no momento.”
A equipe analisou dados de ECG pré-operatórios de 37.000 pacientes submetidos a cirurgia no Beth Israel Deaconess Medical Center em Boston.
A equipe treinou dois modelos de IA para identificar pacientes com risco de ataque cardíaco, derrame ou morte em até 30 dias após a cirurgia. Um modelo foi treinado exclusivamente com dados de ECG. O outro, que a equipe chamou de "modelo de fusão", combinou as informações do ECG com outros detalhes do prontuário do paciente, como idade, sexo e condições médicas preexistentes.
O modelo de ECG puro previu complicações melhor do que as avaliações de risco atuais, mas o modelo de fusão foi ainda melhor, prevendo com 85% de precisão quais pacientes sofreriam complicações pós-operatórias.
"É surpreendente que possamos prever com tanta precisão se alguém vai morrer após uma cirurgia usando esse diagnóstico de rotina, esses dados de dez segundos", disse o autor principal Carl Harris, um estudante de doutorado em engenharia biomédica. "Fizemos uma descoberta realmente significativa que pode melhorar a avaliação do risco cirúrgico."
A equipe também desenvolveu um método para explicar quais características do ECG podem estar ligadas a um ataque cardíaco ou derrame após a cirurgia.
A equipe de Stevens usou inteligência artificial para extrair sinais anteriormente não detectados nesses testes cardíacos de rotina que permitem uma previsão confiável de quais pacientes após a cirurgia terão complicações potencialmente fatais
Créditos
Will KirkJohns Hopkins University
