Percival deteta doenças ocultas em TAC, ainda em fase pré-clínica

Uma TAC feita para verificar uma pneumonia pode trazer muito mais do que essa resposta. Entre as suas secções, o olho de um radiologista pode não detetar os primeiros sinais de um problema de ritmo cardíaco ou de um rim em falência, simplesmente porque ninguém fez essa pergunta. Os investigadores da Penn Medicine criaram um modelo de inteligência artificial que tenta encontrar exatamente esses problemas, e um novo estudo na npj Digital Medicine relata o que consegue detetar.

O modelo, chamado Percival, foi treinado com cerca de 400 000 TAC de aproximadamente 50 000 doentes, extraídas do BioBank da Penn Medicine, que reúne dados de mais de 350 000 pessoas do Sistema de Saúde da Universidade da Pensilvânia ao longo de duas décadas. A maioria das ferramentas de IA tem de ser orientada para uma doença específica. O Percival foi concebido para funcionar em segundo plano e destacar padrões que ninguém pensou em procurar. A equipa afirma que encontrou sinais de fibrilhação auricular, um batimento cardíaco irregular, e de doença renal crónica nas imagens. Face a outro modelo de IA, o TotalSegmentator, o Percival assinalou cancro do pâncreas, cirrose e pneumonia bacteriana com muito mais fiabilidade, segundo os autores do estudo.

Os investigadores chamam a esta abordagem «rastreio oportunista»: detetar doenças num exame pedido para outro motivo. O coautor Charles Kahn, professor de radiologia, defende que muitos doentes já apresentam doença cardíaca ou metabólica significativa quando chegam aos cuidados especializados, pelo que uma imagem obtida por outra razão pode antecipar esse diagnóstico. Os resultados continuam a ser pré-clínicos. Provêm dos testes realizados pela própria equipa, e o modelo ainda não foi utilizado em doentes na prática clínica de rotina.

Para os doentes, o ganho prático seria um reconhecimento mais precoce da doença; para os hospitais, uma forma de tirar mais partido de exames que já realizam. Os responsáveis pelo desenvolvimento esperam testar o Percival no início do próximo ano, com o objetivo de o levar à clínica para uso regular. Até lá, os ganhos são uma promessa a confirmar: a equipa está a estudar de que forma conjuntos de dados maiores e dados de várias instituições poderão tornar o modelo mais robusto e preditivo. O código e as especificações de treino são de código aberto, para que outros grupos também o possam testar.

A Penn Medicine desenvolve também outras ferramentas. Um modelo separado para ressonâncias magnéticas cardíacas, concebido para ajudar a diagnosticar doenças novas, atingiu uma exatidão quase perfeita num teste, e a ferramenta AInSights, desenvolvida anteriormente pela equipa, deverá ajudar a orientar o caminho do Percival até à clínica.