A inteligência artificial (IA) está sendo investigada como ferramenta de apoio ao diagnóstico da tuberculose pediátrica em um projeto conduzido pelo Hospital Moinhos de Vento, no âmbito do Programa de Apoio ao Desenvolvimento Institucional do Sistema Único de Saúde (PROADI-SUS). A iniciativa desenvolve um modelo de aprendizado de máquina capaz de identificar sinais da doença em radiografias de tórax, com o objetivo de contribuir para a identificação de casos da doença em crianças e adolescentes.
O projeto TBPed parte de um desafio diagnóstico: a tuberculose em pacientes pediátricos pode apresentar sintomas semelhantes aos de outras doenças respiratórias, enquanto a baixa carga bacilar e as dificuldades para obter amostras de qualidade podem limitar a confirmação da doença. A interpretação das radiografias também enfrenta obstáculos, como a sensibilidade limitada do exame e a falta de profissionais para a leitura das imagens.
“Na tuberculose pediátrica, o diagnóstico ainda é um dos grandes desafios, porque os sinais podem se confundir com outras doenças respiratórias e nem sempre os exames disponíveis conseguem trazer uma resposta clara”, afirma Márcia Polese Bonatto, consultora técnica de Projetos II do Hospital Moinhos de Vento e responsável pelo TBPed.
Para investigar o uso da tecnologia nesse cenário, o estudo observacional multicêntrico recrutou participantes com menos de 15 anos em 27 centros brasileiros. Ao todo, foram considerados elegíveis 2.068 participantes, dos quais 1.288 estavam hospitalizados e 780 eram atendidos em regime ambulatorial.
Entre os participantes hospitalizados, foram identificados 54 diagnósticos de tuberculose, sendo 41 confirmados laboratorialmente e 13 classificados como presuntivos. No grupo ambulatorial, foram registrados 143 diagnósticos, dos quais 38 foram confirmados laboratorialmente e 105 eram presuntivos.
Modelo foi avaliado com mais de 2 mil radiografias
Na etapa de desenvolvimento do modelo, foram utilizadas 2.068 imagens de radiografias de tórax associadas a resultados laboratoriais. Após o pré-processamento para controle de qualidade, 2.011 imagens foram analisadas, uma redução de aproximadamente 2,8% do conjunto inicial. A base incluía 197 diagnósticos de tuberculose, dos quais 79 tinham confirmação laboratorial e 118 eram presuntivos.
“Com o TBPed, conseguimos reunir uma base robusta de dados e desenvolver um modelo de inteligência artificial para apoiar a análise de radiografias de tórax”, destaca Bonatto.
Na validação interna, o modelo apresentou AUROC de 0,744, com intervalo informado de 0,704 a 0,779. A avaliação também incluiu bases externas, com resultados distintos conforme a origem dos dados.
Na base que reuniu dados brasileiros e de bases públicas, o AUROC foi de 0,854. Na base do Peru, o resultado chegou a 0,847. Já na base da Cidade do Cabo, na África do Sul, o indicador foi de 0,543.
A variação entre os resultados evidencia um dos desafios do desenvolvimento de ferramentas de inteligência artificial para a saúde: o desempenho observado em uma base de dados não se repete necessariamente quando o modelo é avaliado em outros conjuntos de imagens.
Validação em condições reais é o próximo desafio
O projeto também prevê a comparação do modelo brasileiro de detecção auxiliada por computador (CAD, na sigla em inglês) com modelos de linguagem de grande porte, como Claude, GPT, Gemini e MedGemma, além da avaliação de um radiologista.
Entre os próximos passos, estão a avaliação da acurácia diagnóstica do modelo, a ampliação e a consolidação de uma base de dados robusta e a validação em condições reais de uso. Outra frente consiste em transformar a tecnologia em um produto aplicável à prática assistencial.
“Agora, o desafio é transformar esse conhecimento em uma ferramenta aplicável à prática, validada em situações reais e que possa apoiar os profissionais no cuidado dessas crianças”, afirma Polese.
