Modelo computacional baseado em inteligência artificial para leitura dos padrões pulmonares na tomografia computadorizada da COVID-19 pós-aguda

• Ano de defesa: 2023
• Autor(a) principal: Cobo Chantong, Carolina Gianella
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro Biomédico::Faculdade de Ciências Médicas; Brasil; UERJ; Programa de Pós-Graduação em Telessaúde e Saúde Digital
• Palavras-chave em Português: Tomography; Artificial Intelligence; Lung Diseases; Tomografia Computadorizada por raios X – Instrumentação; Doença por Vírus COVID-19; Inteligência Artificial; Doença Pulmonar; Síndrome pós-COVID-19 aguda – Diagnóstico por imagem; Pneumopatias – Diagnóstico por imagem; CIENCIAS DA SAUDE::MEDICINA; CIENCIAS DA SAUDE::MEDICINA::RADIOLOGIA MEDICA
• Link de acesso: http://www.bdtd.uerj.br/handle/1/20587

A pandemia trouxe efeitos catastróficos para a saúde pública, mas possibilitou o desenvolvimento de novos conhecimentos em diversas áreas da ciência, como a implementação da inteligência artificial (IA). Após de três anos, existem pacientes sem remissão completa da doença ou COVID-19 pós-aguda. A inteligência artificial (IA) pode ser relevante na detecção das complicações pulmonares e definição dos padrões tomográficos associados às complicações respiratórias. Esta pesquisa se concentra em dois aspectos críticos do COVID-19: as complicações pulmonares que podem ocorrer durante a fase pós-aguda da doença e o uso de inteligência artificial (IA) para diagnosticar e prever complicações. Tem como objetivo desenvolver modelos de IA para o reconhecimento dos padrões tomográficos de tórax (TC) da COVID-19 pós-aguda. Para conseguir isso, os radiologistas analisaram 87 tomografias computadorizadas para estabelecer padrões tomográficos, treinar e testar modelos de aprendizado profundo. O melhor modelo foi então selecionado para leitura de 8 exames completos de tomografia. Os resultados do modelo escolhido mostraram uma precisão média de 91,14% na detecção de padrões pós-COVID. Embora o tamanho da amostra tenha sido limitado, o desenvolvimento sucedido de modelos de IA para leitura dos padrões pós-COVID-19 na TC apesar da pequena amostra. A amostra utilizada no estudo reflete o perfil epidemiológico encontrado na literatura. Com os resultados coerentes e satisfatórios na avaliação do melhor modelo com os 8 exames completos de TCs, comparando a leitura com o laudo de um radiologista. No entanto, um tamanho de amostra maior seria benéfico para pesquisas futuras