Desenvolvimento e avaliação de um aplicativo de celular com uso de inteligência artificial para diagnóstico da etiologia da hemorragia intraparenquimatosa cerebral

• Ano de defesa: 2023
• Autor(a) principal: Silva, Manoela Gomes Domingos da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aplicativos móveis; Aprendizado semi-supervisionado; Artificial intelligence; Etiological investigation; Hemorragia intraparenquimatosa cerebral; Inteligência artificial; Intraparenchymal hemorrhage; Investigação etiológica; Mobile apps; Semi-supervised learning
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/17/17163/tde-11042023-090144/

Introdução: O acidente vascular cerebral (AVC) tem mais de 150 causas conhecidas, e por isso é considerada uma doença heterogênea. Dentre os subtipos de AVC, a hemorragia intraparenquimatosa cerebral é o de pior prognóstico. Embora investigar a etiologia do AVC seja fundamental para a prevenção de um novo episódio, estima-se que esta investigação ocorre de forma adequada no nosso meio em menos de 30% dos casos. No caso da hemorragia intraparenquimatosa cerebral (HIC), diversos sistemas de classificação foram propostos (como o sistema SMASH-U), mas ainda não existe um sistema ideal para este fim. Neste cenário, o uso de um aplicativo para classificar de forma automática a etiologia de um episódio de hemorragia intraparenquimatosa cerebral (HIC) é uma possível forma de otimizar a investigação etiológica na prática clínica. Objetivo: Este estudo visa desenvolver e validar um aplicativo de celular que faz uso de métodos de Aprendizado de Máquina para predizer a etiologia da hemorragia intraparenquimatosa cerebral de pacientes usando como base a classificação etiológica SMASH-U. Metodologia: Para este estudo foram selecionados dados de forma retrospectiva de 66 pacientes com HIC consecutivos admitidos no HCFMRP-USP entre 01/01/2018 e 31/12/2019 e incluídos de forma prospectiva no Registro de Acidente Vascular Cerebral de Ribeirão Preto (REAVER). Dos dados coletados, 30% foi separado para a validação externa e 70% foi utilizado para a comparação dos modelos. Foram testados 18 pipelines, compostos por três fases: rotulação de instâncias não rotuladas (Máquina de Vetor de Suporte, Florestas Aleatórias, Redes Neurais Artificiais), seleção de atributos (Regressão Logística, Qui-Quadrado), e classificação supervisionada da etiologia SMASH-U (Máquina de Vetor de Suporte, Florestas Aleatórias, Redes Neurais Artificiais). O pipeline com melhor desempenho foi escolhido para servir ao aplicativo. As classes foram balanceadas com o método Random Oversampling e a AUC - do inglês \"Area Under the Curve\", que corresponde à área sob a curva ROC - foi obtida por cross-validation (k=5). Os dados de validação externa foram classificados pelo pipeline escolhido para servir ao aplicativo e a acurácia inter-classe foi obtida. O aplicativo para celulares foi desenvolvido através do framework React Native e se comunica com o servidor por meio de requisições. O estudo foi aprovado no comitê de ética em pesquisa do HCFMRP-USP e obtivemos dispensa do termo de consentimento. Resultados: A amostra foi composta de 66 pacientes com HIC. Do total de pacientes, a maioria eram sexo masculino (60,6 %), declarados brancos (71,2%), e com idade média de 60,8 e desvio padrão de 13,12. Quanto às classificação SMASH-U dos episódios, a etiologia primária hipertensiva foi a mais comum (46 pacientes - 69,7%), seguida pelas etiologias indefinida (9 pacientes - 13,6%), sistêmica (3 pacientes - 4,6%), angiopatia amilóide (3 pacientes - 4,6%), estrutural (3 pacientes - 4,6%) e medicação (2 pacientes - 3,0%). O pipeline escolhido obteve a AUC de 0,99 e na validação externa o modelo acertou 80% das etiologias HAS, 20% das U e 0% das demais. O aplicativo móvel desenvolvido possui interface de fácil usabilidade e apresenta duas funcionalidades principais: a classificação da etiologia de dados de um único paciente preenchidos por um formulário, e a classificação em lote para uma lista de muitos pacientes. O aplicativo obteve desempenho satisfatório, boa responsividade nos aparelhos testados, e funciona nas plataformas iOS e Android. Conclusões: Desenvolvemos e validamos um aplicativo de celular que faz uso de métodos de Aprendizado de Máquina para predizer a etiologia da hemorragia intraparenquimatosa cerebral de pacientes usando como base a classificação etiológica SMASH-U com boa acurácia e usabilidade. O aplicativo possui funcionalidades que podem auxiliar a investigação etiológica na prática clínica, assim como facilitar a rotulação de grande quantidade de dados para pesquisas.