Em maio deste ano, a empresa californiana VitalConnect recebeu autorização emergencial da agência norte-americana regulatória de alimentos e medicamentos, a FDA, para usar seu biossensor VitalPatch no monitoramento de problemas cardíacos causados pela Covid-19 ou por drogas empregadas no seu tratamento. O dispositivo vestível (wearable), com a aparência de um curativo colado no peito, é capaz de monitorar a distância 22 diferentes tipos de arritmias, além de outros parâmetros físicos do paciente, como frequência cardíaca e respiratória, temperatura e postura corporal.
A possibilidade de monitoramento e avaliação médica a distância é importante diante das exigências de distanciamento social e da lotação de hospitais em tempos de pandemia. Essa necessidade acentuou uma tendência verificada nos últimos anos. É cada vez maior o número de empresas, estrangeiras e do Brasil, e grupos de pesquisa acadêmica que fazem estudos e lançam dispositivos com recursos de inteligência artificial (IA) para o campo da cardiologia. Um indicador desse movimento é a multiplicação de artigos científicos sobre o tema na última década.
O ano de 2020 já havia começado com um novo marco nessa trajetória de evolução. Em fevereiro, a Caption Health, também do Vale do Silício, obteve a primeira autorização da FDA para um exame de imagem guiado por IA. O sistema denominado Caption AI permite que profissionais da saúde, mesmo aqueles sem experiência em cardiologia, sejam capazes de fazer ecocardiogramas. O software ajuda o usuário a capturar imagens com qualidade diagnóstica.
Ferramentas de inteligência artificial, entre elas mineração de dados (data mining) e aprendizado de máquina (machine learning), também oferecem ajuda para a própria análise da imagem ecocardiográfica. A Ultromics, uma spin-off da Universidade de Oxford, no Reino Unido, já fornece o sistema EchoGo para o Serviço Nacional de Saúde (NHS), o sistema de saúde pública do país. No final de 2019, obteve autorização da FDA para ingressar no mercado norte-americano. Segundo a empresa, o EchoGo consegue identificar anormalidades no exame e dar um retorno ao profissional em questão de minutos. O software foi desenvolvido a partir da análise de 120 mil imagens ecocardiográficas de exames conduzidos pela Universidade de Oxford. As imagens do ecocardiograma são enviadas automaticamente para o sistema baseado em nuvem e, após a análise, o relatório é encaminhado ao médico.
“O sistema computacional tem sido proposto como apoio diagnóstico ao médico, não para substituí-lo”, ressalta a cientista da computação Fátima Nunes, da Escola de Artes, Ciências e Humanidades da Universidade de São Paulo (EACH-USP). Ela é orientadora de um projeto na área de processamento de imagens apoiado pela FAPESP e conduzido pelo mestrando Matheus Alberto de Oliveira Ribeiro. O trabalho tem colaboração do cardiologista Carlos Rochitte, do Instituto do Coração (InCor) da Faculdade de Medicina da USP (FM-USP) e coordenador do Serviço de Ressonância Magnética e Tomografia Cardiovascular do Hospital do Coração (HCor), de São Paulo.
No contexto do aprendizado de máquina, Rochitte é o especialista que fornece as imagens de ressonância magnética que ensinam o sistema a reconhecer padrões e, assim, diagnosticar anormalidades. O cardiologista explica que o ventrículo esquerdo é a câmara mais forte do coração, sua principal força motriz. “Quando ocorre um infarto agudo, o dano do miocárdio [músculo cardíaco] faz com que o ventrículo mude de forma. É o que chamamos de remodelação ventricular”, diz. As mudanças de forma dão pistas do diagnóstico. Assim, por exemplo, quando o coração perde o seu formato característico, que lembra vagamente um cone, e ganha esfericidade, há indícios de miocardiopatia dilatada.
VitalConnect
O biossensor vestível VitalPatch faz o monitoramento de problemas cardíacos causados pela Covid-19VitalConnectAnalisar o formato do ventrículo esquerdo é o que faz a ressonância magnética. O exame resulta em múltiplos cortes bidimensionais somados, como se fossem uma pilha de moedas. “Cerca de 200 a 300 imagens são necessárias para fazer a análise do ventrículo esquerdo e o médico tem que olhar uma por uma”, destaca Nunes. “Além do tempo despendido, a análise de tantas imagens pode levar à fadiga do especialista e aumentar o risco de erro médico.”
Já existem ferramentas computacionais para a análise bidimensional do ventrículo esquerdo. A proposta de Ribeiro inova ao oferecer um recurso 3D ao exame. “Montamos um objeto tridimensional. Em vez de analisar imagem por imagem, é possível olhar o ventrículo como um todo e calcular métricas para diagnóstico. Pode-se, por exemplo, estimar o tamanho real do coração e o volume de sangue que ele está bombeando, o que não seria possível fazer com o exame tradicional em 2D”, explica. O cardiologista Rochitte destaca que “existem iniciativas paralelas, mas a abordagem dessa pesquisa é única, já que o modelo tridimensional proposto é inédito”. Já há um protótipo quase pronto da ferramenta, que deverá ser disponibilizado para o InCor.
A maioria das iniciativas de IA voltadas à cardiologia no país está no âmbito acadêmico, mas já há produtos comerciais. O Grupo Fleury recorre à inteligência artificial para fazer o diagnóstico de doenças cardiovasculares com foco em duas áreas: a detecção de hemorragia intracraniana, fruto de acidente vascular, e a embolia pulmonar, doença em que uma ou mais artérias pulmonares são bloqueadas por um coágulo sanguíneo.
Em 2019, o estudo de detecção de hemorragia intracraniana foi premiado em congresso da Sociedade Radiológica Norte-americana (RSNA), o maior evento mundial na área de radiologia e diagnóstico por imagem. E já está integrada à rotina da instituição uma ferramenta para a detecção de embolia pulmonar, informa o radiologista Gustavo Meirelles, gestor de Radiologia, Estratégia e Inovação no Grupo Fleury.
O equipamento foi desenvolvido com a startup israelense Aidoc e, de acordo com Meirelles, permite acelerar o resultado do diagnóstico de 3 horas para cerca de 20 minutos. “No primeiro caso que tivemos, o exame ficou pronto antes que a paciente saísse do hospital. Pudemos iniciar o tratamento na hora”, comemora o médico. “A realização de diagnósticos precoces resulta em melhor evolução do paciente, com redução no tempo de internação e no índice de mortalidade.” Meirelles acentua que o desenvolvimento dessas novas ferramentas computacionais só se concretizou porque há uma base de dados sólida, suficiente para treinar a máquina de forma eficaz.
O sistema computacional é um apoio diagnóstico ao médico. Não veio substituí-lo, destaca a cientista da computação Fátima Nunes, da USP
Para o fisiologista José Eduardo Krieger, diretor do Laboratório de Genética e Cardiologia Molecular do InCor e professor do Departamento de Cardiopneumologia da FM-USP, é no volume e na qualidade dos dados que está a base de qualquer avanço no campo da IA. Os estudos no InCor tiveram início justamente na área de big data, por meio do serviço de informática da instituição. “O InCor é paperless [dispensa o uso de papel, é todo digital] há mais de 10 anos”, conta Krieger. “O sistema de prontuário eletrônico foi criado pela equipe do engenheiro Marco Antonio Gutierrez, diretor de Bioinformática do InCor, por meio de diversos projetos, alguns com apoio da FAPESP”, lembra.
Hoje, o prontuário eletrônico tem o registro de cerca de 1,3 milhão de pacientes. Mais de 30 hospitais de São Paulo compartilham do sistema, o que permite o acesso de pesquisadores a 10 milhões de registros – todos de forma anônima, para que possam ser utilizados em pesquisa. Para Krieger, trata-se de um tesouro: “Por meio desses sistemas de informação foi possível avançar para as ferramentas de inteligência artificial que desenvolvemos hoje”.
O InCor é sede do Instituto Nacional de Ciência e Tecnologia em Medicina Assistida por Computação Científica (INCT-Macc), iniciativa criada em 2008 com o propósito de consolidar o desenvolvimento de tecnologias e formar recursos humanos, financiada pela FAPESP e pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq). Articulam-se por meio do instituto 31 laboratórios em 11 estados brasileiros e outros 17 com sede no exterior, distribuídos em sete países.
No InCor, desenvolvem-se hoje quatro grandes áreas de estudo: processamentos de imagens, sinais e linguagem e a integração de dados no campo das chamadas ciências ômicas (como genômica, proteômica, metabolômica etc.). “Essas áreas envolvem também parcerias com multinacionais de tecnologia, como Canon e Foxconn”, conta Krieger. Foxconn é uma fabricante de computadores e smartphones que tem entre seus clientes Apple e Microsoft.
As pesquisas mais avançadas são as de processamento de imagens, obtidas de exames de tomografia e ressonância, e de sinais eletrocardiográficos. Na análise do eletrocardiograma, em especial, há uma conquista significativa: a possibilidade de utilizar algoritmos de IA para dar o diagnóstico com base no simples traçado do eletro. “O eletro é um exame barato e muito utilizado, mas a interpretação pode ser mais difícil do que aparenta”, pondera Krieger. “A ferramenta permite que o médico tire uma foto da imagem do exame e envie para que o sistema avalie a distância e independe do equipamento utilizado.”
O desafio dessa nova vertente de pesquisa, segundo Krieger, é o desenvolvimento de algoritmos de predição de risco que levem em conta características particulares dos indivíduos. “Procuramos integrar dados de toda a vida clínica do paciente, incluindo marcadores genéticos”, relata o pesquisador, que orienta estudos de fenotipagem e genotipagem de doenças cardiovasculares na pós-graduação em cardiologia na USP.
Algumas iniciativas já avançam nesse campo. Nos Estados Unidos, cientistas da Google Research, da startup Verily Life Sciences e da Universidade Stanford criaram um método para prever risco cardiovascular a partir de exames de retina. Eles treinaram um sistema de aprendizado de máquina com imagens de fundo de olho de 284 mil pacientes dos bancos de dados UK Biobank, do Reino Unido, e EyePACS, dos Estados Unidos. A partir delas, o sistema aprendeu a distinguir olhos saudáveis daqueles com alterações nos vasos sanguíneos visíveis no fundo do olho, indício de problema cardiovascular.
O objetivo do grupo era determinar se sinais de risco cardiovascular poderiam ser obtidos de forma rápida, barata e não invasiva, em ambiente ambulatorial. O resultado superou as expectativas: a partir da comparação das imagens, o algoritmo também foi capaz de definir, com pouca margem de erro, a idade, o gênero, a dosagem de hemoglobina glicada – um marcador de diabetes – e o índice de massa corporal do paciente, bem como se ele era ou não fumante. “Mostramos que o deep learning [aprendizado profundo] pode extrair novos conhecimentos das imagens da retina”, destacaram os autores do estudo. “Nesses exames, previmos fatores de risco cardiovascular que antes não se pensavam estar presentes nem se eram quantificáveis.”
A técnica de aprendizado profundo é a mais recente geração do aprendizado de máquina. Trata-se de um método computacional baseado numa rede neural artificial de várias camadas – por isso, é chamado de profundo. Nessa abordagem, em vez de ser programado manualmente para uma tarefa específica, o computador usa algoritmos genéricos para identificar padrões de imagens, textos ou sinais.
É a mesma tecnologia que está sendo utilizada pela equipe do Projeto Code (Clinical Outcomes in Digital Electrocardiology), formado por pesquisadores do Centro de Telessaúde do Hospital das Clínicas da Universidade Federal de Minas Gerais (HC-UFMG). Com financiamento da Fundação de Amparo à Pesquisa do Estado de Minas Gerais (Fapemig) e colaboração das universidades de Glasgow, na Escócia, e Uppsala, na Suécia, o grupo desenvolveu um projeto de leitura automatizada do eletrocardiograma para o diagnóstico de doenças cardíacas.
O projeto envolve médicos, engenheiros e cientistas da computação. “O grande pulo do gato é montar uma equipe realmente multidisciplinar”, diz o cardiologista Antonio Luiz Pinho Ribeiro, líder do grupo e coordenador do Centro de Telessaúde e da Rede de Teleassistência de Minas Gerais, formada pela parceria de sete universidades públicas do estado. O resultado do estudo, feito a partir do cruzamento de 2,4 milhões de eletrocardiogramas digitais coletados entre 2010 e 2017 com o Sistema de Informações de Mortalidade, foi publicado em abril na revista Nature Communications. A análise possibilitou o reconhecimento de padrões e a identificação de seis diferentes tipos de alterações eletrocardiográficas com precisão igual ou superior aos realizados por médicos residentes e estudantes.
Outra vertente do projeto Code dá um passo além. “Usamos rede neural para prever a idade do paciente tomando por base apenas o traçado do eletrocardiograma. Essa idade eletrocardiográfica pode vir a ser um marcador de saúde cardiovascular”, explica o engenheiro Antônio Horta Ribeiro, que faz parte da equipe. Os primeiros resultados indicam que quando o algoritmo prevê uma idade maior do que a cronológica há maior risco de mortalidade em todas as faixas etárias.
Para o especialista em IA, os resultados que vêm das pesquisas com redes neurais podem trazer para a medicina novas perspectivas diagnósticas. A máquina, antes treinada para reconhecer padrões, agora já é capaz de identificar anomalias que passam despercebidas ao ser humano. “Ele pode criar correlações que ainda não foram feitas pela medicina”, diz Ribeiro. O desafio é tentar descobrir os caminhos que as redes neurais fizeram para chegar a essas correlações.
Projeto da Unicamp no campo da medicina preditiva pode gerar economia de R$ 50 milhões por ano para o Sistema Único de Saúde (SUS)
É também no campo da medicina preditiva que se insere projeto da Universidade Estadual de Campinas (Unicamp), que pode reverter em economia de R$ 50 milhões por ano para o Sistema Único de Saúde (SUS). Conduzido pelo Laboratório Aterolab da Faculdade de Ciências Médicas (FCM), o projeto visa identificar os pacientes de doenças coronarianas crônicas com maior risco de sofrerem eventos clínicos adversos no intervalo de um ano. A pesquisa, orientada pelo cardiologista Andrei Sposito, coordenador do Aterolab, foi premiada pela Sociedade Brasileira de Cardiologia e pelo Congresso Europeu de Inovação.
“No primeiro ano após um infarto, um a cada cinco pacientes pode sofrer novo infarto ou, mesmo, morte súbita. Muitas tentativas já foram feitas para identificar quem é esse paciente que corre mais risco”, diz o cardiologista. Sposito destaca que fatores de risco cardiovasculares já são conhecidos há muitos anos, mas eles não trabalham de forma aritmética. “Há ações sinérgicas, que se relacionam com características individuais. Ter dois fatores de risco não significa ter duas vezes mais risco. Não é simples assim”, explica.
Segundo o cardiologista, as primeiras modelagens matemáticas para trabalhar com as diferentes variáveis surgiram nos anos 1970, mas até hoje os resultados não são muito eficazes. A inteligência artificial, segundo ele, veio mudar esse cenário. Em sua pesquisa, algoritmos conseguiram prever 92% dos eventos clínicos que um paciente pode vir a ter no intervalo de um ano. De posse desses dados, explica Sposito, é possível acompanhar de perto os pacientes mais vulneráveis, o que poderá resultar em prevenção de mortes e evitar novas cirurgias, hospitalizações e tratamentos dispendiosos. “São ganhos importantes proporcionados pelos avanços das pesquisas em inteligência artificial aplicada aos cuidados com o coração”, sustenta o especialista.
Projetos
1. Segmentação automática do ventrículo esquerdo em exames de ressonância magnética cardíaca (nº 19/22116-7); Modalidade Bolsa de Mestrado; Pesquisadora responsável Fátima de Lourdes dos Santos Nunes Marques (USP); Bolsista Matheus Alberto de Oliveira Ribeiro; Investimento R$ 39.863,34.
2. INCT 2014: Em Medicina Assistida por Computação Científica (INCT-Macc) (nº 14/50889-7); Modalidade Projeto Temático; Pesquisador responsável José Eduardo Krieger (USP); Investimento R$ 3.204.512,68.
3. Centro de Inteligência Artificial (nº 19/07665-4); Modalidade Centros de Pesquisa em Engenharia; Pesquisador responsável Fabio Gagliardi Cozman (IBM); Investimento R$ 4.134.883,90.
Artigos científicos
RIBEIRO, H. A. et al. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nature Communications. 9 abr. 2020.
POPLIN, R. et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature Communications. 19 fev. 2018.
