As doenças cardiovasculares são a principal causa de morte em todo o mundo e a imagiologia cardíaca exacta desempenha um papel fundamental no diagnóstico, tratamento e prognóstico destas doenças. Nos últimos anos, a inteligência artificial (IA), em particular a aprendizagem profunda, tem feito grandes progressos na automatização e na capacidade de previsão da imagiologia cardíaca. Embora a IA tenha um grande potencial, ainda não teve o efeito desejado na redução dos custos dos cuidados de saúde ou na melhoria dos resultados clínicos. Este facto deve-se, em parte, a desafios metodológicos, técnicos e éticos.
(vermelho) Apesar da competição entre os intervenientes do meio académico e da indústria para desenvolver a solução de IA mais poderosa, ainda não existem provas de ensaios clínicos aleatórios que demonstrem que os modelos de IA têm uma superioridade significativa em relação à interpretação humana. Este artigo explora os actuais desafios da integração da IA na imagiologia cardíaca e salienta que a IA deve ser atualmente considerada como “inteligência aumentada” – uma tecnologia que apoia, mas não substitui, a tomada de decisões clínicas. Talvez seja altura de mudar a perspetiva e ver a IA como uma ferramenta para ajudar os médicos a tomar as melhores decisões possíveis.
O desenvolvimento da IA na imagiologia cardíaca
A automatização de tarefas morosas e repetitivas na imagiologia cardíaca é uma das principais vantagens oferecidas pela IA. “A aprendizagem profunda provou ser superior aos métodos tradicionais, uma vez que é capaz de reconhecer automaticamente caraterísticas relevantes nas imagens e utilizá-las para fins de diagnóstico. Um exemplo é a segmentação automática de imagens cardíacas, que é particularmente útil para calcular o volume e a função, como a fração de ejeção do ventrículo esquerdo (FEVE). Além disso, quando suficientemente treinada com dados, a IA oferece um processamento rápido e preciso de novos dados de imagem e é adequada para a generalização a novos conjuntos de dados.
No entanto, a IA é frequentemente criticada como uma “caixa negra”, uma vez que os processos de tomada de decisão nem sempre são claramente compreensíveis. Este facto pode afetar a confiança dos médicos na tecnologia. Para ultrapassar este desafio, os investigadores começaram a desenvolver mecanismos de interpretação, como o Grad-CAM ou os valores de Shapley, que mostram quais as áreas da imagem responsáveis pelas decisões da IA. No entanto, estas ferramentas ainda estão em fase de desenvolvimento e têm as suas próprias limitações. Melhorar a interpretabilidade dos modelos de IA é crucial para promover a sua aceitação na prática clínica.
Desafios em termos de qualidade e diversidade dos dados
Um dos maiores obstáculos ao sucesso da aplicação da IA na imagiologia cardíaca é a disponibilidade de dados diversificados e de elevada qualidade. Os modelos de IA, especialmente os modelos de aprendizagem profunda, requerem uma enorme quantidade de dados bem anotados para fornecer resultados fiáveis. No entanto, esses dados são frequentemente inexistentes e muitos dos dados existentes não são suficientemente diversificados, o que resulta numa generalização limitada dos modelos de IA. É importante que os sistemas de IA sejam treinados numa ampla base de dados que tenha em conta diferentes padrões de doença, grupos étnicos, grupos etários e géneros. Esta é a única forma de garantir que os modelos funcionam de forma fiável para um grande número de doentes na prática clínica.
Os regulamentos de proteção de dados, como o Regulamento Geral sobre a Proteção de Dados (RGPD) na Europa, dificultam a colaboração entre instituições e impedem o intercâmbio de dados. Abordagens como a aprendizagem federada, em que os modelos de IA são treinados localmente sem que os próprios dados sejam partilhados, podem ser uma solução. Isto poderia ajudar a garantir a proteção dos dados e, ao mesmo tempo, utilizar conjuntos de dados maiores para treinar modelos de IA. No entanto, há falta de incentivos para que as instituições participem em tais colaborações de dados, o que atrasa o desenvolvimento da IA na prática clínica.
O papel da IA em diferentes modalidades de imagiologia
Nos últimos anos, a IA estabeleceu-se em várias modalidades de imagiologia:
Ecocardiografia: a IA tem sido utilizada com êxito para automatizar o cálculo do volume e a avaliação funcional. Um exemplo é o cálculo automático da LVEF a partir de dados ecocardiográficos. Estudos demonstraram que a IA é capaz de fornecer resultados comparáveis aos dos ecografistas, mas funciona de forma mais rápida e consistente. Este facto abre novas possibilidades, especialmente em regiões com poucos recursos, onde há falta de médicos qualificados. Outra vantagem é que os modelos baseados em IA também podem ser utilizados em cardiologia pré-natal e pediátrica para diagnosticar defeitos cardíacos congénitos complexos.
Tomografia computorizada (TC) cardíaca: Na imagiologia por TC, a IA pode melhorar significativamente os fluxos de trabalho através da realização de quantificações automatizadas de dados de imagens cardíacas, por exemplo, avaliação do cálcio coronário, que serve como marcador de aterosclerose coronária e de riscos cardiovasculares. A IA é também utilizada no planeamento de procedimentos complexos, como a implantação da válvula aórtica transcateter (TAVI), para avaliar melhor os riscos e otimizar o planeamento cirúrgico.
Ressonância magnética cardíaca (RMN): A RMN foi a que mais beneficiou da automatização baseada na IA, nomeadamente na segmentação automática de imagens e no cálculo da FEVE. Este facto permitiu que grandes estudos de coorte, como o UK Biobank, obtivessem novos conhecimentos sobre a progressão da doença e o envelhecimento saudável. No entanto, apesar destes avanços, existem poucos estudos clínicos prospectivos que demonstrem os benefícios da IA na prática clínica.
Imagiologia em medicina nuclear: Em medicina nuclear, a IA provou ser capaz de efetuar análises automatizadas de grandes quantidades de dados para melhorar o diagnóstico de doenças coronárias e o prognóstico de eventos cardiovasculares.
Barreiras à implementação clínica e desafios regulamentares
Apesar dos avanços tecnológicos, a implementação clínica da IA enfrenta obstáculos significativos. Um desses desafios é o facto de a infraestrutura de muitas organizações de cuidados de saúde não estar preparada para a integração de novas ferramentas de IA. Muitos sistemas existentes, como os sistemas de arquivo de imagens, estão desactualizados e não conseguem suportar as interfaces necessárias para uma integração perfeita da IA. Este facto atrasa significativamente a introdução da IA na prática clínica. Há também uma falta de modelos de reembolso claros para os serviços baseados na IA no sector da saúde, o que representa mais um obstáculo à sua implementação.
Os requisitos regulamentares para os sistemas de IA são também complexos e morosos. Embora a FDA dos EUA e a União Europeia tenham desenvolvido orientações iniciais para os dispositivos médicos baseados em IA, estas estão a ter dificuldades em acompanhar o ritmo acelerado do desenvolvimento tecnológico. As diferenças nos mecanismos regulamentares entre os vários países dificultam a cooperação internacional. Para ultrapassar estes desafios, é importante simplificar os processos regulamentares e promover a utilização da IA na medicina através de procedimentos normalizados.
Aceitação clínica e factores humanos
Outro aspeto crítico da introdução da IA na prática clínica é a aceitação por parte das pessoas envolvidas. Os doentes, os médicos e outros prestadores de cuidados de saúde têm frequentemente reservas em relação à IA, pois vêem-na como uma ameaça ou um obstáculo. Por conseguinte, é necessário envolver ativamente estes grupos-alvo no processo de desenvolvimento e oferecer uma formação abrangente para melhorar a sua compreensão do modo como a IA funciona e dos seus benefícios. Além disso, a integração da IA nos processos clínicos deve ser cuidadosamente planeada para garantir uma interação óptima entre os seres humanos e o sistema.
Uma abordagem “human-in-the-loop”, em que os humanos continuam a ser a autoridade final na tomada de decisões, pode ajudar a reforçar a confiança na IA. No entanto, é importante que os modelos permaneçam compreensíveis e transparentes para garantir que os médicos possam entender as recomendações da IA.
Conclusão e perspectivas futuras
A IA tem o potencial de revolucionar a imagiologia cardíaca, automatizando tarefas repetitivas e morosas e aumentando a eficiência na prática clínica. No entanto, a IA deve ser vista como uma ferramenta complementar que apoia as decisões clínicas em vez de as substituir. Os desenvolvimentos futuros devem centrar-se na integração da IA na tomada de decisões clínicas para identificar fenótipos de doença mais precisos e melhorar os resultados clínicos.
A mudança de paradigma das medições isoladas para as análises multiparamétricas poderá promover o desenvolvimento de ferramentas de IA que permitam um diagnóstico mais exato. Se esta tecnologia puder ser integrada com êxito nos fluxos de trabalho existentes, poderá lançar as bases para uma nova era de “inteligência aumentada”, em que os médicos são aliviados pela IA e podem concentrar-se em decisões clínicas mais complexas.
Fonte: Sengupta PP, et al: Challenges for augmenting intelligence in cardiac imaging. The Lancet Digital Health, Volume 6, Edição 10, e739-e748.
CARDIOVASC 2024; 23(3): 41-42
