Inteligência Artificial poderia mudar os guidelines?
É sabido que das doenças valvares primárias, a estenose aórtica é a mais prevalente. Ela acarreta alta taxas de morbidade e mortalidade nos pacientes. Devido a sua importância, uma das dúvidas mais frequentes em ambulatórios, é o intervalo de tempo ideal para realizar avaliações ecocardiográficas periódicas. Se olharmos para as diretrizes americanas, elas sugerem exames de ecocardiografia a cada 6 a 12 meses para estenose aórtica grave assintomática, a cada 1 a 2 anos para moderada e a cada 3 a 5 anos para quadros leves, já a europeia recomenda ecocardiografia de acompanhamento a cada 6 meses em casos de estenose grave e uma vez por ano para estenose aórtica leve e moderada. Vale ressalta que todas essas recomendações têm Nível de Evidência C.
Um paciente com estenose aórtica leve ou moderada (estágio B) pode eventualmente evoluir para obstrução valvar grave (estágio C) e, portanto, terá maior risco de insuficiência cardíaca, síncope, angina ou morte. Uma vez que os sintomas aparecem, a substituição da valva aórtica é o único tratamento capaz de mudar a história natural da doença e melhorar o prognóstico. A taxa de progressão hemodinâmica é heterogênea e o início dos sintomas clínicos é variável.
Pensando nisso e com o foco em uma medicina individualizada e de precisão, que se pensou em utilizar da inteligência artificial para tornar a indicação de acompanhamento da evolução da estenose aórtica por ecocardiograma mais eficaz. Sendo demonstrado no artigo Machine Learning to Optimize the Echocardiographic Follow-Up of Aortic Stenosis publicado no JACC em Feverreiro de 2023
O objetivo do estudo foi desenvolver 3 modelos diferentes de algoritmos supervisionados e alimentados por medições ecocardiográficas de um paciente com estenose aórtica e prever se quadros graves se desenvolveriam neste paciente, conforme avaliado por ecocardiografia de acompanhamento em 1, 2 ou 3 anos após o exame inicial.
Esses modelos foram aplicados em um sistema que recomenda o tempo para o próximo acompanhamento em novos pacientes com o mesmo diagnóstico. As recomendações foram comparadas com as recomendações das diretrizes americanas e europeias. Os dados demográficos e ecocardiográficos utilizados para desenvolver o modelo foram extraídos do sistema de arquivo (IntelliSpace Cardiovascular, Philips Healthcare) do Hospital Universitário terciário de Salamanca, Espanha, e as comorbidades foram extraídas dos prontuários eletrônicos do hospital. O modelo e os valores de corte foram avaliados em uma coorte externa de um segundo e diferente hospital universitário terciário em Madri, Espanha.
No estudo, pode-se observar que os períodos de acompanhamento sugeridos pelos algoritmos da máquina de aprendizado foram mais precisos e evitaram muitos exames desnecessários se comparados as diretrizes.
Isso traz implicações nos custos operacionais de saúde, tanto para o sistema público ou privado como também para os pacientes. O modelo desenvolvido foi capaz de aumentar a eficiência ao mesmo tempo em que detectou pacientes com probabilidade de desenvolver estenose aórtica grave mais rapidamente. Isso reduz custo tanto dos serviços de saúde, como também dos pacientes que deixam de realizar exames desnecessários.
Colocando em números a economia de custos, aplicando-se esse modelo aos grupos de estenose aórtica europeus e norte-americanos, foi estimado que poderia economizar de 180.000 a 150.000 exames ecocardiográficos por ano, e a consequente economia (em dólares americanos) seria de US$ 83.160.000 e US$ 69.300.000, respectivamente.
O trabalhou mostrou a eficiência do uso da inteligência artificial, na metodologia de aprendizado da máquina, para fornecer tempos precisos de acompanhamento ao paciente com base nas medidas ecocardiográficas quantitativas e variáveis demográficas em pacientes com estenose aórtica. Por ter sua metodologia validada em uma coorte externa, mostrou um potencial de transferência do modelo entre instituições.
Literatura Sugerida:
1 – Sánchez-Puente A, Dorado-Díaz PI, Sampedro-Gómez J, et al. Machine Learning to Optimize the Echocardiographic Follow-Up of Aortic Stenosis. JACC [Internet]. Fev 2023 [citado 9 jul 2023].
Click Valvar Academy#445 – AI no Follow-up Ecocardiográfico
Confira o artigo completo
Cookie | Duração | Descrição |
---|---|---|
cookielawinfo-checkbox-analytics | 11 months | This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Analytics". |
cookielawinfo-checkbox-functional | 11 months | The cookie is set by GDPR cookie consent to record the user consent for the cookies in the category "Functional". |
cookielawinfo-checkbox-necessary | 11 months | This cookie is set by GDPR Cookie Consent plugin. The cookies is used to store the user consent for the cookies in the category "Necessary". |
cookielawinfo-checkbox-others | 11 months | This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Other. |
cookielawinfo-checkbox-performance | 11 months | This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Performance". |
viewed_cookie_policy | 11 months | The cookie is set by the GDPR Cookie Consent plugin and is used to store whether or not user has consented to the use of cookies. It does not store any personal data. |
Privacidade e cookies: Este site usa cookies. Ao continuar no site você concorda com o seu uso. Para saber mais, inclusive como controlar cookies, veja aqui: Política de cookie
As configurações de cookies deste site estão definidas para "permitir cookies" para oferecer a melhor experiência de navegação possível. Se você continuar a usar este site sem alterar as configurações de cookies ou clicar em "Aceitar" abaixo, estará concordando com isso.