Comparison of two- and three-dimensional computed tomography-based deep-learning models with neurosurgeon assessments for predicting functional outcome at discharge in patients with spontaneous intracerebral hemorrhage: a single-center retrospective study

Quando um vaso sanguíneo se rompe dentro do cérebro, o sangramento resultante é uma emergência médica que ocorre sem aviso prévio. Este evento, conhecido como hemorragia intracerebral espontânea, é uma das principais causas de morte e incapacidade de longo prazo em todo o mundo. Nas horas e dias seguintes a tal evento, os médicos enfrentam uma tarefa difícil: prever quão bem um paciente irá se recuperar. Para fazer esses julgamentos, os clínicos dependem de duas principais fontes de informação. Primeiro, eles examinam tomografias computadorizadas sem contraste, que são imagens de raio-X rápidas que mostram o tamanho e a localização do sangramento. Segundo, eles avaliam o nível de consciência do paciente usando um sistema de pontuação padrão chamado Escala de Coma de Glasgow, que mede o quão bem uma pessoa consegue abrir os olhos, falar e mover-se em resposta a comandos. Embora essas ferramentas sejam essenciais, os médicos humanos devem interpretá-las subjetivamente, pesando a evidência visual do sangramento contra o estado mental do paciente. Esse processo pode variar de um especialista para outro, e a complexidade do cérebro muitas vezes esconde padrões sutis que o olho humano pode não perceber.

Uma equipe de pesquisadores do Hospital Central de Longgang, em Shenzhen, partiu para ver se a inteligência artificial poderia melhorar essas previsões. Eles focaram em uma questão específica: um programa de computador, treinado para observar exames cerebrais e pontuações de pacientes, poderia prever o desfecho funcional de um paciente no momento da alta hospitalar melhor do que um neurocirurgião humano conseguiria? A equipe não construiu apenas um tipo de modelo de computador; eles construíram dois. Um modelo olhava para os exames cerebrais como uma série de fatias bidimensionais individuais, muito parecido com folhear as páginas de um livro. O outro modelo olhava para o cérebro inteiro como um volume tridimensional único, tratando o exame como um objeto sólido. Ambos os modelos foram projetados para combinar os dados visuais dos exames com os dados clínicos da admissão do paciente, especificamente a pontuação da Escala de Coma de Glasgow. O objetivo era ver se essas ferramentas digitais poderiam detectar a conexão entre o dano físico no cérebro e a provável recuperação do paciente, e determinar se uma abordagem mais simples, fatia por fatia, poderia ter um desempenho tão bom quanto a abordagem mais complexa, tridimensional.

Os pesquisadores reuniram dados de 286 pacientes que sofreram um sangramento cerebral espontâneo e foram tratados em seu hospital entre 2013 e 2021. Para cada paciente, coletaram o exame cerebral realizado dentro de 24 horas após o evento e a pontuação da Escala de Coma de Glasgow registrada na admissão. Em seguida, dividiram os pacientes em grupos para treinar e testar seus modelos de computador. A equipe também recrutou três neurocirurgiões com diferentes níveis de experiência para atuar como um parâmetro humano. Esses médicos foram solicitados a prever o desfecho para uma seleção de pacientes com base nos mesmos exames cerebrais e pontuações clínicas fornecidos aos computadores. Para garantir uma comparação justa, os médicos receberam apenas as fatias específicas do exame que continham o sangramento, em vez da série completa de imagens que normalmente revisariam em um ambiente hospitalar. Isso criou um ambiente controlado onde tanto os humanos quanto as máquinas estavam trabalhando com exatamente a mesma informação.

Os resultados mostraram que os modelos de computador foram altamente eficazes na previsão de desfechos. O modelo que olhou para o cérebro como uma série de fatias bidimensionais, quando combinado com a pontuação da Escala de Coma de Glasgow do paciente, alcançou uma precisão de 90,3 por cento. Isso significa que em mais de nove em cada dez casos, o modelo previu corretamente se um paciente teria um bom ou um mau desfecho funcional na alta. O modelo tridimensional, que analisou todo o volume cerebral junto com informações clínicas mais detalhadas, teve um desempenho ligeiramente diferente, alcançando uma precisão de 90,6 por cento. Estatisticamente, não houve diferença significativa entre os dois modelos de computador; ambos foram notavelmente precisos. No entanto, ambos os sistemas de inteligência artificial superaram os neurocirurgiões humanos. Mesmo o médico mais experiente do estudo não conseguiu igualar a consistência e a precisão dos modelos de computador. O estudo também descobriu que adicionar a pontuação da Escala de Coma de Glasgow à análise de imagem era crucial. Uma versão do modelo bidimensional que olhava apenas para as imagens, sem a pontuação clínica, foi menos precisa, caindo para 81,0 por cento. Isso sugere que o computador precisava do contexto humano do nível de consciência do paciente para fazer suas melhores previsões.

Uma das descobertas mais surpreendentes foi que o modelo bidimensional mais simples foi tão bom quanto o modelo tridimensional mais complexo. A abordagem tridimensional exigia mais poder de computação e dados mais detalhados, mas não proporcionou uma previsão melhor do que o método baseado em fatias. Isso indica que, para esta tarefa médica específica, uma arquitetura menos complexa pode ser preferível, especialmente ao lidar com quantidades limitadas de dados. Os pesquisadores observaram que os modelos tridimensionais são frequentemente mais propensos a erros quando o conjunto de dados é pequeno, enquanto a abordagem bidimensional permaneceu robusta. O estudo também destacou que, embora os computadores fossem excelentes em encontrar padrões, eles não estavam substituindo os médicos. Os modelos foram projetados para auxiliar, não para assumir o controle. Os médicos humanos no estudo estavam trabalhando sob um cenário de revisão restrito, olhando para imagens isoladas em vez do quadro clínico completo que veriam na vida real, o que pode tê-los colocado em desvantagem em relação aos computadores que processam todos os dados de uma só vez.

Os pesquisadores foram cuidadosos ao apontar os limites de seu trabalho. Como o estudo foi conduzido em um único hospital e analisou registros passados, os resultados precisam ser testados em estudos prospectivos maiores em múltiplos centros para garantir que se mantenham verdadeiros para todos os pacientes. As previsões feitas pelos modelos foram para o desfecho de curto prazo no momento da alta, não para a recuperação de longo prazo meses ou anos depois. Além disso, o estudo confirmou que, embora os modelos sejam poderosos, eles são ferramentas para apoiar a tomada de decisão clínica, não para substituir o julgamento de um especialista humano. O objetivo final é fornecer aos médicos uma segunda opinião confiável que possa ajudá-los a fazer escolhas mais informadas para pacientes que enfrentam um sangramento cerebral potencialmente fatal. Ao combinar a evidência visual do exame com a realidade clínica da condição do paciente, essas ferramentas digitais oferecem uma nova maneira de compreender a gravidade da lesão e o provável caminho para a recuperação.