Pesquisadores do Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia (Coppe) da UFRJ estão trabalhando em um sistema que usa inteligência artificial para tornar mais rápidos e eficazes o diagnóstico e a triagem de pacientes vítimas da COVID-19 em estado grave.
O sistema usa técnicas de processamento de imagens e reconhecimento de padrões para interpretação de exames médicos, sobretudo radiológicos. O objetivo é apoiar o médico na tomada de decisões, inclusive no atendimento a distância. O sistema é aberto e será disponibilizado de graça ao Sistema Único de Saúde (SUS).
A ferramenta gera uma pontuação de diagnóstico e uma estimativa da gravidade da doença. Ela permitirá uma avaliação rápida das imagens, ajudando o médico a planejar o encaminhamento do paciente para o tratamento, bem como auxiliará o plano e gestão de leitos do sistema de saúde.
Coordenado pelo professor José Manoel de Seixas, o projeto conta com uma equipe interdisciplinar que inclui também pesquisadores da Faculdade de Medicina da UFRJ, do Instituto de Medicina Social (área de Saúde Coletiva) da Universidade do Estado do Rio de Janeiro (Uerj), da Universidade Federal de Lavras (Ufla) e de quatroxa0startupsxa0oriundas da Coppe.
Segundo Seixas, em um país com dimensões continentais como o Brasil, um sistema de telemedicina de apoio ao diagnóstico permite antecipar o tratamento de pacientes potencialmente graves, aumentando a chance de sobrevivência e melhorando o gerenciamento do sistema de saúde e a otimização de leitos.
Quadro agressivo
A infecção causada pelo novo coronavírus gera, frequentemente, um quadro muito agressivo no aparelho respiratório das vítimas. As internações por Síndrome Respiratória Aguda Grave (SRAG) sextuplicaram nas 18 primeiras semanas epidemiológicas de 2020 em relação ao mesmo período de 2019.
“A análise clínica pulmonar é um dos itens mais importantes na triagem e diagnóstico da doença, um elemento central do atendimento por telemedicina. O padrão de infecção pulmonar pela COVID-19 é diferente de outras afecções do sistema respiratório. Por isso, a análise por radiografia, tomografia computadorizada ou ultrassonografia é desafiadora, ainda mais se considerarmos outras possíveis doenças a que o paciente se expôs ao longo da vida e que dizem respeito ao aparelho respiratório (pneumonia, tuberculose), que deixam cicatrizes que devem ser consideradas nas análises das imagens”, afirma Seixas.
Aprendizado profundo com conhecimento especialista
No processamento de sinais relativos a exames de imagens, a inteligência artificial, sobretudo oxa0machine learningxa0(aprendizado de máquina) profundo, tem apresentado resultados relevantes.
O modelo usado pelos pesquisadores da UFRJ é de redes neurais do tipo Convolutional Neural Networks (CNN). Camadas de convolução (representação matemática) são criadas para possibilitar uma concepção abstrata de dados, seguidas de camadas densas de processamento para gerar classificação precisa e sutil. Todos os dados disponíveis de pacientes (dados experimentais) são utilizados para avaliar a adequação do modelo. Como as ferramentas de inteligência computacional se apoiam nos dados disponíveis, a qualidade desses dados tem importância fundamental.
“Por isso, é importante o acesso a uma base pública ampla de laudos que permitam identificar diferentes diagnósticos de doenças pulmonares para transferir o conhecimento adquirido por meio de um sistema de informações que facilite a triagem e diagnóstico da COVID-19. Utilizando mapas auto-organizáveis (self-organizing maps), redes neurais populares em aprendizado de máquina, o software permite que um paciente que chegue para triagem ou diagnóstico possa ser associado, por similaridade, com pacientes já conhecidos e o seu risco seja avaliado em três níveis: baixo, médio e alto”, explica Seixas.
Os conjuntos de dados que dão suporte ao trabalho serão específicos de pacientes com suspeita de infecção por coronavírus e de dados públicos que se encontram disponíveis para os pesquisadores deste projeto, como o National Institutes of Health (NIH), nos Estados Unidos, que possuem 112.120 imagens de radiografia do tórax com 15 classes de diagnóstico.
“Como acontece com qualquer técnica de machine learning, o aprendizado profundo ganha ainda mais poder de processamento quando é combinado com o conhecimento especialista, que pode direcionar o treinamento, otimizando o que realmente está em jogo na tarefa de triagem e diagnóstico”, conclui o professor.