Usando uma técnica de IA de ponta, os pesquisadores da Johns Hopkins apresentam uma ferramenta clínica potencial para prever a circunferência da cintura e identificar pacientes em risco de complicações da obesidade
Uma nova ferramenta de inteligência artificial pode prever o tamanho da cintura de uma pessoa simplesmente analisando sua idade, altura, peso, etnia e nível de educação, descobriram engenheiros da Universidade Johns Hopkins.
A impressionante precisão da ferramenta pode ajudar os médicos a estimar o risco de um paciente ter diabetes, doenças cardíacas, acidente vascular cerebral e outras condições relacionadas à obesidade, muitas vezes avaliadas usando o infame índice de massa corporal, ou IMC, um cálculo da altura e do peso de uma pessoa.
As descobertas foram publicadas recentemente em Diabetes e síndrome metabólica: pesquisas clínicas e análises .
“Nosso método torna mais fácil para os médicos preverem o risco de obesidade de um paciente sem a necessidade de medir diretamente sua cintura, o que pode economizar tempo e melhorar a precisão das avaliações de risco para condições relacionadas à obesidade”.
Rama Chellappa “A circunferência da cintura está intimamente ligada a riscos à saúde, como diabetes e doenças cardíacas, mas não é medida regularmente na clínica”, disse o autor correspondente Rama Chellappa, professor ilustre de engenharia elétrica e de computação e engenharia biomédica da Bloomberg. “Nosso método torna mais fácil para os médicos preverem o risco de obesidade de um paciente sem a necessidade de medir diretamente sua cintura, o que pode economizar tempo e melhorar a precisão das avaliações de risco para condições relacionadas à obesidade”.
Desenvolvido por pesquisadores do Laboratório de Inteligência Artificial para Engenharia e Medicina da Johns Hopkins, o método de aprendizado de máquina altamente preciso prevê a circunferência da cintura sem medição física. A abordagem inovadora estima corretamente a circunferência da cintura dentro de uma faixa estreita, cerca de 95% das vezes, oferecendo uma ferramenta confiável para avaliar os riscos à saúde relacionados à obesidade.
O estudo foi liderado pelo doutorando em engenharia biomédica Carl Harris. Prasanna Santhanam, professora associada da Divisão de Endocrinologia, Diabetes e Metabolismo da Escola de Medicina da Universidade Johns Hopkins, e Daniel Olshvang, candidato a doutorado em engenharia biomédica, também contribuíram para o estudo. A equipe afirma que seu trabalho demonstra a promessa de integração das previsões de IA na prática clínica, especialmente no tratamento da obesidade.
Ao avaliar os riscos de obesidade, os médicos geralmente se referem ao índice de massa corporal (IMC) de uma pessoa, um cálculo de sua altura e peso. Mas as medições do IMC não são abrangentes; eles não consideram a composição corporal, diferenças étnicas, idade e outros fatores que fornecem uma imagem mais precisa da saúde de uma pessoa. Alguém com um IMC “normal” pode ter um risco maior de problemas de saúde relacionados com a obesidade do que alguém com um IMC elevado.
Evidências crescentes mostram que a circunferência da cintura é um melhor preditor de problemas de saúde relacionados à obesidade do que apenas o IMC. No entanto, os investigadores salientam que, apesar do seu valor preditivo, a medição da circunferência da cintura enfrenta dois desafios: a falta de uma técnica de medição padronizada e a sua utilização pouco frequente na prática clínica. A equipe Hopkins decidiu superar esses desafios.
Eles analisaram dados de saúde de dois estudos importantes, o National Health and Nutrition Examination Survey (NHANES) e o Look AHEAD (Action for Health in Diabetes), que incluíam informações dos pacientes, como altura, peso, idade, etnia e nível de escolaridade ( um substituto para hábitos alimentares). Em seguida, aplicaram uma técnica de aprendizado de máquina, chamada “previsão conforme”, para prever a circunferência da cintura. Junto com a previsão, o modelo produz uma faixa de valores que expressa a confiança do modelo na precisão da previsão.
A nova abordagem da equipe superou significativamente os métodos atuais de aprendizado de máquina para prever a circunferência da cintura. Além disso, os autores mostram que os intervalos de incerteza eram fiáveis e generalizáveis, o que significa que o modelo pode fazer previsões precisas sobre populações que diferem substancialmente daquelas nas quais o modelo foi treinado, como pacientes com diabetes.
Os investigadores enfatizam que a capacidade do novo algoritmo de quantificar a sua própria incerteza é fundamental não só para o sucesso do seu modelo, mas também para a construção de sistemas de IA fiáveis.
“Nossa abordagem se destaca porque não fornecemos apenas uma previsão única para a circunferência da cintura – criamos uma série de valores que mostram quão certa ou incerta é a previsão. Isso adiciona uma camada de segurança e precisão, especialmente em ambientes clínicos onde tais a incerteza é crítica e orienta a tomada de decisões”, disse Harris.
Embora convincentes, os pesquisadores alertam que os resultados são preliminares. A equipe disse que realizará mais testes do modelo em várias populações e ambientes clínicos para confirmar sua eficácia em situações do mundo real. Eles planejam refinar o modelo incluindo outros fatores como dieta e atividade física, o que poderia tornar as previsões ainda mais precisas.
Ciência+Tecnologia
engenharia biomédica , cuidados de saúde , inteligência artificial , professores ilustres de Bloomberg , rama chellappa , escola de badejo