Caracterizada por musculatura cardíaca enfraquecida ou danificada, a insuficiência cardíaca resulta no acúmulo gradual de líquido nos pulmões, pernas, pés e outras partes do corpo do paciente. A condição é crônica e incurável, muitas vezes levando a arritmias ou parada cardíaca súbita. Durante muitos séculos, a sangria e as sanguessugas foram o tratamento de escolha, praticado notoriamente pelos barbeiros cirurgiões na Europa, numa época em que os médicos raramente operavam os pacientes.
No século 21, o tratamento da insuficiência cardíaca tornou-se decididamente menos medieval: hoje, os pacientes passam por uma combinação de mudanças de estilo de vida saudável, prescrição de medicamentos e, às vezes, usam marca-passos. No entanto, a insuficiência cardíaca continua a ser uma das principais causas de morbilidade e mortalidade, colocando um fardo substancial nos sistemas de saúde em todo o mundo.
“Cerca de metade das pessoas diagnosticadas com insuficiência cardíaca morrerão cinco anos após o diagnóstico”, diz Teya Bergamaschi, estudante de doutorado do MIT no laboratório de Nina T. e professor Robert H. Rubin. Collin Stultz e coautor de um novo artigo que apresenta um modelo de aprendizagem profunda para prever insuficiência cardíaca. “Compreender como um paciente se sairá após a hospitalização é muito importante na alocação de recursos finitos.”
O papel, publicado em Lancet eClinical Drugs por uma equipe de pesquisadores do MIT, Mass Basic Brigham e Harvard Medical Faculty, compartilha os resultados do desenvolvimento e teste do PULSE-HF, que significa “Prever alterações na função sistólica ventricular esquerda a partir de ECGs de pacientes com insuficiência cardíaca”. O projeto foi conduzido no laboratório de Stultz, afiliado ao Clínica Abdul Latif Jameel do MIT para aprendizado de máquina em saúde. Desenvolvido e testado retrospectivamente em três coortes diferentes de pacientes do Massachusetts Basic Hospital, Brigham and Ladies’s Hospital e MIMIC-IV (um conjunto de dados disponível publicamente), o modelo de aprendizagem profunda prevê com precisão alterações na fração de ejeção do ventrículo esquerdo (FEVE), que é a porcentagem de sangue bombeado para fora do ventrículo esquerdo do coração.
Um coração humano saudável bombeia cerca de 50 a 70 por cento do sangue do ventrículo esquerdo a cada batida – qualquer valor inferior é considerado um sinal de um problema potencial. “O modelo faz um (eletrocardiograma) e produz uma previsão sobre se haverá ou não uma fração de ejeção no próximo ano que caia abaixo de 40%”, diz Tiffany Yau, estudante de doutorado do MIT no laboratório de Stultz e também coautora do artigo PULSE-HF. “Esse é o subgrupo mais grave de insuficiência cardíaca.”
Se o PULSE-HF prever que a fração de ejeção de um paciente provavelmente piorará dentro de um ano, o médico poderá priorizar o acompanhamento do paciente. Posteriormente, os pacientes de baixo risco podem reduzir o número de visitas ao hospital e a quantidade de tempo gasto na adesão de 10 eletrodos ao corpo para um ECG de 12 derivações. O modelo também pode ser implantado em ambientes clínicos com poucos recursos, incluindo consultórios médicos em áreas rurais que normalmente não possuem um ultrassonografista cardíaco empregado para realizar ultrassonografias diariamente.
“A maior coisa que distingue o (PULSE-HF) de outros métodos de ECG para insuficiência cardíaca é que, em vez de detecção, ele faz previsões”, diz Yau. O artigo observa que, até o momento, não existem outros métodos para prever o declínio futuro da FEVE entre pacientes com insuficiência cardíaca.
Durante o processo de teste e validação, os pesquisadores usaram uma métrica conhecida como “área sob a curva característica de operação do receptor” (AUROC) para medir o desempenho do PULSE-HF. AUROC é normalmente usado para medir a capacidade de um modelo de discriminar entre courses em uma escala de 0 a 1, sendo 0,5 aleatório e 1 perfeito. O PULSE-HF alcançou AUROCs variando de 0,87 a 0,91 em todas as três coortes de pacientes.
Notavelmente, os pesquisadores também construíram uma versão do PULSE-HF para ECGs de derivação única, o que significa que apenas um eletrodo precisa ser colocado no corpo. Embora os ECGs de 12 derivações sejam geralmente considerados superiores por serem mais abrangentes e precisos, o desempenho da versão de derivação única do PULSE-HF foi tão forte quanto a versão de 12 derivações.
Apesar da simplicidade elegante por trás da ideia do PULSE-HF, como a maioria das pesquisas clínicas de IA, ele esconde uma execução trabalhosa. “Levou anos (para concluir este projeto)”, lembra Bergamaschi. “Ele passou por muitas iterações.”
Um dos maiores desafios da equipe foi coletar, processar e limpar os conjuntos de dados de ECG e ecocardiograma. Embora o modelo tenha como objetivo prever a fração de ejeção de um paciente, os rótulos dos dados de treinamento nem sempre estavam prontamente disponíveis. Assim como um aluno que aprende com um livro didático com um gabarito, a rotulagem é elementary para ajudar os modelos de aprendizado de máquina a identificar corretamente os padrões nos dados.
Texto limpo e linear na forma de arquivos TXT normalmente funciona melhor ao treinar modelos. Mas os arquivos de ecocardiograma geralmente vêm na forma de PDFs e, quando os PDFs são convertidos em arquivos TXT, o texto (que é dividido por quebras de linha e formatação) torna-se difícil de ser lido pelo modelo. A natureza imprevisível dos cenários da vida actual, como um paciente inquieto ou um fio solto, também prejudicou os dados. “Existem muitos artefatos de sinal que precisam ser limpos”, diz Bergamaschi. “É uma espécie de toca de coelho sem fim.”
Embora Bergamaschi e Yau reconheçam que métodos mais complicados poderiam ajudar a filtrar os dados para obter melhores sinais, há um limite para a utilidade destas abordagens. “Em que ponto você para?” Yau pergunta. “É preciso pensar no caso de uso: é mais fácil ter esse modelo que funciona com dados um pouco confusos? Porque provavelmente será.”
Os investigadores antecipam que o próximo passo do PULSE-HF será testar o modelo num estudo prospectivo em pacientes reais, cuja futura fracção de ejecção é desconhecida.
Apesar dos desafios inerentes à implementação de ferramentas clínicas de IA como o PULSE-HF, incluindo o possível risco de prolongar o doutoramento por mais um ano, os estudantes sentem que os anos de trabalho árduo valeram a pena.
“Acho que as coisas são parcialmente gratificantes porque são desafiadoras”, diz Bergamaschi. “Um amigo me disse: ‘Se você acha que encontrará sua vocação após a formatura, se sua vocação realmente for chamada, ela estará presente no ano adicional que você levará para se formar.’ … A forma como somos avaliados como pesquisadores no espaço (de ML e saúde) é diferente de outros pesquisadores no espaço de ML. Todos nesta comunidade entendem os desafios únicos que existem aqui.”
“Há muito sofrimento no mundo”, diz Yau, que ingressou no laboratório de Stultz depois que um evento de saúde a fez perceber a importância do aprendizado de máquina nos cuidados de saúde. “Qualquer coisa que tente aliviar o sofrimento é algo que eu consideraria um uso valioso do meu tempo.”