Melhoria Diagnóstica na Endossonografia: O Impacto da Inteligência Artificial Multimodal

A inteligência artificial tem vindo a afirmar-se como uma ferramenta fundamental no apoio ao diagnóstico médico, reduzindo a variabilidade interobservador e melhorando a precisão na interpretação de imagens. No contexto das lesões sólidas do pâncreas, a endossonografia representa um método crucial para a identificação de neoplasias pancreáticas, apresentando sensibilidade superior à tomografia computorizada e à ressonância magnética, particularmente em tumores de pequena dimensão. No entanto, a distinção entre neoplasias malignas, tumores benignos e doenças inflamatórias crónicas continua a ser um desafio devido à sobreposição de características morfológicas.

Com a introdução de um modelo de inteligência artificial multimodal que integra imagens de endossonografia e dados clínicos, um estudo recente¹ demonstra a capacidade da inteligência artificial em melhorar a precisão diagnóstica e apoiar endoscopistas na sua avaliação clínica. O diagnóstico de massas pancreáticas baseia-se tradicionalmente na avaliação subjetiva das imagens, complementada por parâmetros clínicos e laboratoriais. A biópsia por punção aspirativa guiada por endossonografia tem melhorado a precisão global para valores entre 80% e 90%, mas a sua sensibilidade pode variar entre 80% e 89%, enquanto o valor preditivo negativo pode ser inferior a 50%, o que limita a sua utilidade em alguns casos. O desenvolvimento de estratégias complementares que minimizem falsos negativos e otimizem a avaliação clínica tem sido um objetivo prioritário na gastroenterologia intervencionista. Assim, a inteligência artificial tem sido aplicada de forma crescente na oncologia e na análise de imagens médicas, especialmente através de redes neuronais convolucionais. No entanto, a maioria dos modelos desenvolvidos até agora baseia-se exclusivamente em imagens, desconsiderando a relevância de variáveis clínicas e laboratoriais na formulação do diagnóstico. Este novo estudo apresenta um modelo de inteligência artificial multimodal que não só analisa imagens de endossonografia como também integra dados clínicos relevantes, proporcionando uma avaliação mais completa e representativa da realidade diagnóstica.

Um total de 628 pacientes com lesões sólidas pancreáticas foi incluído retrospetivamente para o desenvolvimento e validação do modelo, enquanto 130 pacientes foram posteriormente recrutados para avaliar a sua aplicabilidade clínica num ensaio prospetivo. O modelo foi treinado utilizando imagens de endossonografia e 36 variáveis clínicas selecionadas com base na sua relevância diagnóstica, sendo posteriormente validado em três centros externos. A introdução de dados clínicos no modelo resultou numa melhoria significativa do desempenho, com uma área sob a curva de 0.996 no conjunto de validação interna e valores entre 0.924 e 0.976 nos conjuntos externos. Em contraste, a abordagem baseada apenas em imagens de endossonografia apresentou áreas sob a curva inferiores, variando entre 0.802 e 0.871 nos conjuntos externos, reforçando o benefício da integração de múltiplas fontes de informação para a robustez do diagnóstico. O impacto da inteligência artificial na prática clínica foi avaliado através de um ensaio clínico cruzado randomizado, envolvendo 12 endoscopistas com diferentes níveis de experiência. Os resultados demonstraram que os endoscopistas menos experientes beneficiaram significativamente da assistência do modelo, com um aumento na sensibilidade de 56% para 91% e uma melhoria na precisão global de 69% para 90%. Por outro lado, os especialistas e endoscopistas seniores apresentaram uma maior resistência inicial às predições do modelo, com taxas de rejeição mais elevadas. No entanto, quando foram introduzidas ferramentas de interpretabilidade como mapas de ativação e explicações do impacto das variáveis, a aceitação das recomendações do modelo pelos especialistas aumentou, evidenciando a importância da transparência na implementação de sistemas de inteligência artificial na prática clínica.

A introdução de um modelo de inteligência artificial multimodal na avaliação de lesões sólidas do pâncreas representa um avanço significativo na integração da inteligência artificial na gastroenterologia intervencionista. O modelo demonstrou não apenas elevada precisão diagnóstica, mas também um impacto positivo na prática clínica, sobretudo no suporte a médicos em formação. A capacidade do modelo em aumentar a sensibilidade e a precisão diagnóstica sugere que poderá ser uma ferramenta complementar útil, especialmente em casos onde a biópsia por punção aspirativa não fornece um diagnóstico conclusivo. Apesar dos resultados encorajadores, algumas limitações devem ser consideradas. O ensaio clínico foi realizado em condições controladas e a performance do modelo em ambiente clínico real precisa de validação em estudos prospetivos multicêntricos de larga escala. Devemos ainda criticar que quanto às ferramentas de interpretabilidade, a resistência dos especialistas ao uso da inteligência artificial pode ser um fator limitante, reforçando a necessidade de estratégias para melhorar a confiança dos médicos nestes sistemas. Num cenário onde a precisão diagnóstica é determinante para a decisão terapêutica, a inteligência artificial surge como uma aliada promissora, não para substituir a experiência clínica, mas para ampliar as suas capacidades.

¹ Cui et al. Diagnosing Solid Lesions in the Pancreas With Multimodal Artificial Intelligence: A Randomized Crossover Trial. JAMA Netw Open. 2024 Jul 1;7(7):e2422454