Ouvir a respiração de um paciente é uma das ferramentas mais antigas do kit de um médico. Durante séculos, os médicos pressionaram seus ouvidos ou estetoscópios contra o peito para detectar o ruído sutil de fluido, o assobio agudo de vias aéreas estreitadas ou o silêncio suave de pulmões saudáveis. Essa prática, conhecida como auscultação, depende inteiramente do ouvido humano e da experiência do ouvinte. Embora valiosa, ela também é subjetiva; dois médicos podem ouvir coisas diferentes na mesma respiração, e um diagnóstico pode depender muito de quanta prática um médico tenha tido. À medida que doenças respiratórias como a asma afetam milhões de pessoas em todo o mundo, a comunidade médica busca há muito tempo uma maneira de tornar esse processo de escuta mais objetivo, consistente e acessível, especialmente para crianças pequenas ou pessoas em áreas remotas onde os especialistas são escassos.

Nos últimos anos, cientistas recorreram aos computadores para ajudar a ouvir. Ao converter o som da respiração em um mapa visual chamado espectrograma — onde o tempo corre ao longo da base e o tom corre pela lateral — os pesquisadores podem tratar uma respiração como uma imagem. Isso permite que utilizem poderosos programas de computador, originalmente projetados para reconhecer gatos ou carros em fotografias, para identificar padrões de doenças. No entanto, essas tentativas iniciais frequentemente dependiam de modelos de computador mais antigos que olhavam apenas para o som, ignorando o restante da história do paciente, como sua idade ou sexo. Além disso, comparar diferentes programas de computador tem sido difícil porque eles eram frequentemente testados em diferentes conjuntos de dados, tornando difícil saber qual deles realmente funcionava melhor.

Uma equipe de pesquisadores da Universidade Ben-Gurion, em Israel, e da Universidade Médica Estadual de Perm, na Rússia, propôs-se a resolver esses problemas testando a geração mais recente de modelos de computador em uma coleção única e compartilhada de dados de pacientes. Eles queriam ver se a inteligência artificial moderna poderia não apenas ouvir sons de respiração, mas também entender o contexto do paciente, imitando a maneira como um médico humano combina o que ouve com o que sabe sobre a pessoa. O trabalho deles foca em distinguir entre pacientes com asma e aqueles sem a doença, uma tarefa que é crítica para o manejo de uma condição que afeta até 29% da população em vários países.

Os pesquisadores reuniram um grande conjunto de gravações de mais de 1.300 participantes, variando de bebês a adultos. Essas gravações capturaram o som da respiração silenciosa de quatro pontos diferentes do corpo: a boca, a traqueia, o peito e as costas. Cada gravação era acompanhada por informações estruturadas sobre o paciente, incluindo idade, sexo e o local onde o som foi captado. A equipe então inseriu esses dados em três tipos diferentes de modelos de computador para ver qual poderia diagnosticar a asma com maior precisão.

O primeiro modelo testado foi um tipo bem estabelecido de programa de computador conhecido como rede neural convolucional, especificamente uma versão chamada DenseNet201. Este modelo havia sido usado em seu trabalho anterior e serviu como uma linha de base confiável. Ele olhava apenas para o mapa visual do som, ignorando os detalhes pessoais do paciente. O segundo modelo era um sistema de ponta chamado Audio Spectrogram Transformer. Este modelo foi projetado especificamente para entender padrões de som e foi treinado em vastas bibliotecas de áudio antes de ser adaptado para esta tarefa médica. O terceiro modelo era um sistema multimodal de visão e linguagem chamado Moondream2. Esta era a tentativa mais ambiciosa; foi projetado para olhar para o mapa do som enquanto lia simultaneamente uma descrição textual da idade, sexo e local de gravação do paciente, esperando que a combinação desses dois fluxos de informação levasse a um melhor diagnóstico.

Os resultados revelaram um vencedor claro. O modelo de som especializado, o Audio Spectrogram Transformer, superou todos os outros com uma precisão notável. Ele alcançou uma taxa de sucesso de 98,7% em termos de precisão, sensibilidade, especificidade e escore F1, com um Índice de Youden de 0,974. Esse desempenho foi significamente superior ao do modelo DenseNet mais antigo, que estava correto cerca de 87% das vezes. O modelo multimodal, Moondream2, teve um desempenho semelhante ao modelo mais antigo, atingindo cerca de 86,5% de precisão. Curiosamente, os pesquisadores descobriram que o modelo multimodal dependia fortemente das informações textuais que lhe foram dadas. Quando removeram a idade e o sexo do paciente da entrada, a capacidade do modelo de diagnosticar a asma colapsou, produzindo erros em cada um dos casos de asma. Isso sugeriu que, embora o modelo pudesse usar o texto para tomar uma decisão, ele tinha dificuldade em aprender os padrões de som por conta própria de forma tão eficaz quanto o modelo construído especificamente para áudio.

O estudo também explorou como esses modelos de computador tomam suas decisões, um passo crucial para ganhar a confiança dos médicos. Para o modelo mais antigo, os pesquisadores puderam usar uma técnica que destaca as partes específicas do mapa de som que desencadearam o diagnóstico, de forma muito semelhante a um mapa de calor mostrando onde a câmera focou. Para o novo modelo de som, eles analisaram os mecanismos internos de atenção para ver em quais partes do som o computador estava focando. Eles descobriram que ambos os modelos concentraram-se na mesma faixa de frequência, aproximadamente entre 800 e 1800 hertz, particularmente durante o terceiro ciclo de uma respiração. Essa consistência sugere que os computadores não estão adivinhando aleatoriamente, mas estão de fato detectando as mesmas características acústicas físicas que os médicos procuram ao ouvir.

Os pesquisadores concluíram que, embora combinar detalhes do paciente com a análise do som seja um passo lógico, a geração atual de modelos de propósito geral que tentam fazer ambos pode não ser tão eficaz quanto um modelo projetado especificamente para o som. O modelo de áudio especializado provou que poderia aprender as nuances da doença respiratória a partir do som sozinho, superando o desempenho da auscultação humana relatada na literatura médica. Os achados sugerem que o futuro do diagnóstico assistido por computador pode residir no uso de ferramentas altamente especializadas para tarefas específicas, em vez de tentar construir um único sistema que faça tudo. Esses modelos oferecem um caminho promissor para o monitoramento contínuo e remoto de pacientes, permitindo potencialmente a detecção precoce de crises de asma e um cuidado mais consistente para pessoas em todos os lugares, independentemente de seu acesso a um especialista.