Algoritmos podem ajudar a melhorar o tratamento de pacientes com AVC

Uma equipe de pesquisadores da Coréia do Sul treinou três algoritmos de aprendizado de máquina e descobriu que os três tinham maior sensibilidade e especificidade comparável aos leitores humanos para determinar se o ataque ocorreu dentro de 4,5 horas após a ressonância magnética.

06 Fev, 2020

Os algoritmos de inteligência artificial (IA) podem determinar, a partir de exames de RM multiparamétricos, se os sintomas de um paciente com AVC começaram dentro de 4,5 horas - a janela de tempo recomendada para que um paciente seja tratado com trombólise, de acordo com pesquisa publicada on-line em 28 de janeiro em Stroke. 

Uma equipe de pesquisadores da Coréia do Sul treinou três algoritmos de aprendizado de máquina e descobriu que os três tinham maior sensibilidade e especificidade comparável aos leitores humanos para determinar se o ataque ocorreu dentro de 4,5 horas após a ressonância magnética. Como resultado, esses algoritmos podem potencialmente permitir que alguns pacientes recebam trombólise que, de outra forma, não seriam elegíveis para o tratamento devido a um início incerto de sintomas de acidente vascular cerebral.

"Os algoritmos de [aprendizado de máquina] usando vários recursos de ressonância magnética eram viáveis ​​[e] ainda mais sensíveis do que as leituras humanas na identificação de pacientes com AVC dentro da janela de tempo para trombólise aguda", escreveram os autores, liderados por Hyunna Lee, PhD, e Dr. Eun-Jae Lee, da Faculdade de Medicina da Universidade de Ulsan, em Seul.

Pacientes excluídos

Recomenda-se trombólise intravenosa até 4,5 horas após o início dos sintomas em pacientes com AVC, mas aproximadamente 25% dos pacientes não sabem quando o AVC começou e, portanto, são excluídos desse tratamento. A ressonância magnética multiparamétrica pode ser útil, pois a imagem ponderada por difusão (DWI) detecta um coeficiente de difusão aparente reduzido (ADC) de lesões isquêmicas em poucos minutos após o AVC, enquanto a recuperação de inversão atenuada por fluidos (FLAIR) mostra um aumento líquido no conteúdo de água em uma a quatro horas , de acordo com os pesquisadores. "Assim, uma incompatibilidade de sinais no DWI e no FLAIR pode ser usada como relógio de tecidos", eles escreveram.

No entanto, uma incompatibilidade DWI-FLAIR não significa necessariamente que o paciente tenha sofrido um derrame dentro de 4,5 horas, de acordo com os autores. Além disso, as leituras humanas dos sinais DWI-FLAIR foram caracterizadas pela confiabilidade intra e inter-leitura baixa a moderada.

Acreditando que o aprendizado de máquina poderia ajudar a determinar o momento do AVC agudo, os pesquisadores utilizaram três tipos diferentes de modelos de aprendizado de máquina: regressão logística, máquina de vetor de suporte e floresta aleatória. Um total de 89 recursos de imagem foram adquiridos a partir de técnicas de processamento automático de imagem e usados ​​para treinar os modelos.

Algoritmo de treinamento, teste

O treinamento e o teste foram conduzidos a partir de um conjunto de dados de 355 pacientes com AVC isquêmico agudo no Asan Medical Center, que haviam recebido uma ressonância magnética dentro de 24 horas após a detecção dos sintomas. Os pesquisadores então dividiram os indivíduos em oito subgrupos de pacientes com base nos tempos de início dos sintomas. Em cada subgrupo, 85% dos pacientes foram utilizados para treinamento e 15% foram reservados para testes.

Depois que os algoritmos foram treinados e testados, os pesquisadores compararam os resultados no conjunto de testes com as leituras humanas da incompatibilidade de sinal DWI-FLAIR.

AI performance for identifying stroke within 4.5 hours of symptom onset

 

Human reading (based on DWI-FLAIR signal mismatch)

Machine-learning algorithm (support vector machine)

Machine-learning algorithm (logistic regression)

Machine-learning algorithm (random forest)

Sensitivity

48.5%

72.7%

75.8%

75.8%

Specificity

91.3%

82.6%

82.6%

82.6%

Positive predictive value

88.9%

85.7%

86.2%

86.2%

Negative predictive value

55.3%

67.9%

70.4%

70.4%

 

As diferenças de sensibilidade entre as leituras humanas e os três algoritmos de aprendizado de máquina foram estatisticamente significativas. Os algoritmos de aprendizado de máquina tinham sensibilidade mais baixa que os leitores humanos, mas não em um nível estatisticamente significativo. Além disso, quaisquer diferenças entre os algoritmos de aprendizado de máquina não foram estatisticamente significativas.

"As técnicas [de aprendizado de máquina] podem ser viáveis ​​e úteis na identificação de candidatos à terapia entre pacientes com tempo pouco claro de início do AVC", escreveram os autores. "Mais pesquisas são necessárias para avaliar a aplicabilidade desses algoritmos [de aprendizado de máquina] a outras populações de pacientes".

Fonte: https://www.auntminnie.com/index.aspx?sec=sup&sub=mri&pag=dis&ItemID=128027

Compartilhe


NOTÍCIAS RELACIONADAS