Artificial Intelligence in Mammography Screening in Norway (AIMS Norway): Protocol for a randomized controlled trial

O artigo descreve o protocolo de um ensaio clínico randomizado e controlado na Noruega que avalia se uma estratégia de leitura de mamografias apoiada por inteligência artificial, que ajusta o número de radiologistas conforme o risco, é não inferior ao método padrão de dupla leitura independente para a detecção de câncer de mama.

O essencial

Imagine que o rastreio de cancro da mama é como uma grande triagem de segurança num aeroporto. Milhares de mulheres passam por scanners (mamografias) todos os anos. O objetivo é encontrar as "bombas" (os cancros) escondidas, mas a esmagadora maioria das malas (as mamografias) está vazia e segura.

O problema é que os "agentes de segurança" (os radiologistas) estão a ficar em falta em todo o mundo, e têm de olhar para milhões de imagens, a maioria das quais é perfeitamente normal. É como tentar encontrar uma agulha num palheiro, mas com o palheiro a crescer e menos pessoas para procurar.

Aqui entra a Inteligência Artificial (IA), que é como um robô assistente super-rápido que aprendeu a olhar para milhares de imagens e sabe quase instantaneamente quais são "provavelmente seguras" e quais merecem uma "segunda olhada".

O que é o estudo "AIMS Norway"?

Os investigadores da Noruega querem saber se podem usar este robô para ajudar os humanos sem deixar de encontrar os cancros. Eles estão a fazer um teste gigante (um ensaio clínico) para comparar duas formas de trabalhar:

1. O Método Tradicional (Grupo de Controlo):
   Imagine que dois agentes de segurança olham para cada mala, independentemente um do outro. Se um deles achar que há algo suspeito, eles discutem. É o padrão de ouro atual, mas é lento e cansa muito os agentes.

2. O Método com IA (Grupo de Intervenção):
   Aqui, o robô (IA) olha para a imagem primeiro e dá-lhe uma "nota de risco" de 1 a 10.

   • Se a nota for baixa (1 a 7): Significa que o robô acha que é muito seguro. Neste caso, apenas um agente humano olha para a imagem. O robô diz: "Pode passar, não há nada aqui". Isso poupa tempo!
   • Se a nota for alta (8 a 10): O robô fica preocupado. Então, dois agentes humanos olham para a imagem, tal como no método tradicional.
   • O segredo: Quando os humanos olham pela primeira vez, não sabem qual foi a nota do robô. Eles têm de confiar nos seus próprios olhos. Só depois, se houver dúvidas, é que o robô mostra a sua nota para ajudar na decisão final.

Qual é a grande pergunta?

A pergunta principal é: "Se usarmos o robô para filtrar as imagens seguras e só pedirmos a dois humanos para olhar nas imagens suspeitas, vamos deixar de encontrar cancros?"

Eles querem provar que o novo método é pelo menos tão bom quanto o antigo (não é pior), mas muito mais rápido e eficiente.

Por que é que isto é importante?

• Falta de pessoal: Há cada vez menos radiologistas no mundo.
• Cansaço: Ver milhares de imagens normais faz com que os humanos fiquem cansados e possam cometer erros.
• Otimização: A IA pode atuar como um "filtro inteligente", permitindo que os humanos se concentrem apenas onde é realmente necessário, como um guarda que só revista as malas que o detector de metais apita.

O que vão medir?

O objetivo principal é contar quantos cancros foram encontrados em cada grupo. Se o grupo com a IA encontrar o mesmo número de cancros que o grupo tradicional, o teste é um sucesso! Eles também vão medir:

• Quantas mulheres foram chamadas para exames adicionais sem necessidade (falsos positivos).
• Quanto tempo demora a ler cada imagem.
• Se há cancros que foram "esquecidos" entre uma consulta e outra.

Resumo Simples

Pense na IA como um assistente de voo que diz ao piloto: "A maioria das rotas está limpa, pode voar sozinho. Mas nestas três rotas aqui, há turbulência, então chame o co-piloto para ajudar".

O estudo norueguês quer ter a certeza de que, ao confiar neste assistente, o avião (o rastreio de cancro) continua a chegar ao destino com segurança, protegendo a saúde das mulheres, mas sem esgotar a tripulação (os médicos). Se funcionar, poderá mudar a forma como o rastreio é feito em todo o mundo, tornando-o mais rápido, mais barato e mais sustentável.

Resumo técnico

1. O Problema e Contexto

O rastreamento de câncer de mama enfrenta desafios críticos de sustentabilidade e eficiência, exacerbados por:

• Escassez global de radiologistas: Há uma falta crescente de especialistas para interpretar o volume crescente de exames.
• Alta proporção de exames normais: Mais de 99% das mamografias são classificadas como negativas, o que consome recursos valiosos de leitura dupla independente.
• Limitações da leitura humana: Estudos retrospectivos indicam que cerca de 25% dos cânceres detectados por rastreamento e intervalos são inicialmente interpretados como negativos por um dos dois radiologistas, e muitos cânceres de intervalo são visíveis retrospectivamente, evidenciando a subjetividade e limitações da interpretação humana.
• Necessidade de inovação: O programa de rastreamento norueguês (BreastScreen Norway) utiliza atualmente a leitura dupla independente com consenso, mas precisa de novas estratégias para manter a detecção de câncer enquanto otimiza o fluxo de trabalho.

2. Metodologia

O estudo é um ensaio clínico randomizado, controlado, paralelo, de não-inferioridade e com único cegamento, realizado no âmbito do programa de rastreamento de mama da Noruega.

• População: Mulheres convidadas para o rastreamento nas autoridades regionais de saúde da Noruega Ocidental, Central e Setentrional (faixa etária de 50 a 69 anos).
• Design do Estudo:
  • Grupo Controle: Leitura dupla independente padrão por dois radiologistas (prática atual). A análise de IA é realizada retrospectivamente apenas para fins de pesquisa.
  • Grupo Intervenção (IA): As mamografias são analisadas pelo modelo de IA Transpara® (ScreenPoint Medical) antes da leitura humana.
    • Estratificação de Risco:
      • Pontuação de IA 1–7 (Baixo Risco): Leitura por um único radiologista.
      • Pontuação de IA 8–10 (Risco Intermediário/Alto): Leitura dupla independente (dois radiologistas).
• Cegamento (Blinding): Os radiologistas estão cegos para as pontuações da IA e marcações de CAD durante a interpretação inicial. Essas informações são reveladas apenas durante as reuniões de consenso para casos sinalizados.
• Tecnologia: O modelo Transpara® utiliza redes neurais convolucionais e gera uma pontuação de risco de malignidade de 1 a 10.
• Amostragem e Poder Estatístico:
  • Objetivo: Demonstrar não-inferioridade na taxa de detecção de câncer.
  • Margem de Não-Inferioridade: Definida em 0,0012 (baseada em uma taxa de controle de 6,1 cânceres por 1.000 exames, com um limite inferior aceitável de 4,9).
  • Tamanho da Amostra: Necessário 132.184 exames (66.092 por braço) para 80% de poder estatístico, assumindo uma taxa de participação de 80% (cerca de 165.230 mulheres convidadas).

3. Contribuições Chave e Objetivos

• Validação Prospectiva: Este é um dos primeiros ensaios clínicos randomizados prospectivos de grande escala para avaliar a integração de IA em programas de rastreamento populacional, superando as limitações de estudos retrospectivos.
• Estratégia de Triagem Baseada em Risco: Propõe um modelo híbrido onde a IA atua como um filtro para reduzir a carga de trabalho (substituindo a segunda leitura em casos de baixo risco) sem comprometer a segurança.
• Desenho Rigoroso: O uso de cegamento durante a leitura inicial e a definição clara de desfechos primários e secundários garantem a validade interna do estudo.
• Protocolo Aberto: O estudo segue as diretrizes SPIRIT e inclui planos detalhados para monitoramento de segurança, ética e proteção de dados (GDPR).

4. Resultados Esperados e Desfechos

Como se trata de um protocolo de estudo, os resultados finais ainda não foram publicados. No entanto, o documento define claramente os desfechos a serem medidos:

• Desfecho Primário: Número de casos de câncer de mama detectados por rastreamento (Carcinoma Ductal In situ - DCIS ou invasivo) em cada grupo. O objetivo é provar que a taxa no grupo de intervenção não é estatisticamente inferior à do grupo controle.
• Desfechos Secundários:
  • Taxa de consenso (reuniões entre radiologistas).
  • Taxa de recall (chamada para exames adicionais).
  • Taxa de câncer de intervalo (câncer diagnosticado entre sessões de rastreamento).
  • Características histopatológicas do tumor e características mamográficas.
  • Tempo gasto na leitura e em reuniões de consenso (eficiência de fluxo de trabalho).

5. Significado e Implicações

O estudo AIMS Norway tem o potencial de transformar a prática global de rastreamento de câncer de mama:

• Sustentabilidade do Sistema de Saúde: Se a não-inferioridade for comprovada, o estudo fornecerá evidências robustas para que programas de rastreamento substituam a leitura dupla independente por uma leitura única assistida por IA para a maioria dos casos (baixo risco), mitigando a escassez de radiologistas.
• Otimização de Recursos: Permite realocar a expertise humana para os casos de maior risco (pontuação de IA 8-10), potencialmente aumentando a sensibilidade nos casos mais complexos.
• Segurança do Paciente: Ao focar na não-inferioridade na detecção de câncer, o estudo prioriza a segurança, garantindo que a eficiência não venha à custa de diagnósticos perdidos.
• Modelo para Futuras Políticas: Os resultados informarão políticas de saúde pública e a regulamentação de IA em radiologia, estabelecendo um padrão ouro para a integração de algoritmos de aprendizado profundo em ambientes clínicos reais.

Em resumo, o AIMS Norway busca responder à pergunta crítica: "Podemos substituir com segurança a leitura dupla independente por uma estratégia assistida por IA que estratifica o risco, mantendo a taxa de detecção de câncer?"