A inteligência artificial aplicada ao reconhecimento facial pode ser útil no rastreamento da apneia obstrutiva do sono?
Resposta curta: Sim. Uma meta-análise bayesiana mostrou que algoritmos de IA treinados com fotografias craniofaciais atingem alta acurácia diagnóstica para apneia obstrutiva do sono, com sensibilidade pooled de 84,9% e especificidade de 71,2%, sugerindo seu uso como ferramenta de triagem de baixo custo.
Resposta
A apneia obstrutiva do sono (AOS) é tradicionalmente diagnosticada por polissonografia, exame de custo elevado e acesso limitado. Diante disso, métodos alternativos de triagem têm sido investigados. Uma meta-análise bayesiana recente reuniu estudos que avaliaram a acurácia de algoritmos de inteligência artificial (IA) treinados com fotografias craniofaciais para identificar AOS em adultos.
Foram incluídos seis estudos observacionais, com dez modelos de IA treinados e testados em 1.417 e 983 participantes, respectivamente. A qualidade metodológica foi considerada baixa para risco de viés. A sensibilidade combinada foi de 84,9% (intervalo de credibilidade de 95%: 77,1–90,7%) e a especificidade de 71,2% (IC 95%: 60,7–81,4%).
A meta-regressão bayesiana identificou que os modelos de aprendizado profundo, especialmente as redes neurais convolucionais, apresentaram a maior acurácia, com sensibilidade de 91,1% e especificidade de 79,2%, comparável aos testes domiciliares de apneia do sono. Outros fatores, como pontos de corte do índice de apneia-hipopneia, prevalência de AOS, engenharia de características, tipo de câmera e informatividade da prior bayesiana, não alteraram a acurácia diagnóstica.
Não foi detectado viés de publicação substancial. Os autores concluem que a IA aplicada a fotografias craniofaciais apresenta alta acurácia diagnóstica e deve ser considerada uma ferramenta de triagem de baixo custo para AOS. Trabalhos futuros com aprendizado profundo e imagens de smartphones podem viabilizar ainda mais essa abordagem na atenção primária.
Para o médico brasileiro, esses achados são promissores, mas ainda preliminares. A ferramenta poderia auxiliar na identificação de pacientes com suspeita de AOS em contextos de recursos limitados, porém a implementação clínica requer validação em diferentes populações e configurações de imagem. O resumo não fornece detalhes sobre a população dos estudos ou sobre a aplicabilidade no sistema de saúde brasileiro.
O que o estudo mostrou
Meta-análise bayesiana de seis estudos observacionais com adultos, incluindo dez modelos de IA treinados/testados em 1.417/983 participantes. A IA baseada em fotografias craniofaciais alcançou sensibilidade pooled de 84,9% (IC 95%: 77,1–90,7%) e especificidade de 71,2% (IC 95%: 60,7–81,4%). Redes neurais convolucionais mostraram maior acurácia (sensibilidade 91,1%, especificidade 79,2%). Não houve viés de publicação substancial.
Limitações
O resumo não informa a população exata dos estudos (critérios de inclusão, gravidade da AOS) nem detalhes sobre a heterogeneidade entre eles. O número de estudos incluídos é pequeno (seis), e o risco de viés foi baixo, mas a aplicabilidade em diferentes contextos clínicos e populacionais não é discutida. O resumo também não menciona a validação externa dos modelos ou o desempenho em subgrupos.
Aplicação no consultório
A ferramenta pode ser considerada como método de triagem de baixo custo para AOS, especialmente em locais sem acesso fácil à polissonografia. O médico pode utilizar essa informação para identificar pacientes com maior probabilidade de AOS e encaminhá-los para confirmação diagnóstica. No entanto, a implementação na prática clínica ainda requer validação local e não substitui o diagnóstico padrão. Para a gestão do consultório, pode representar uma alternativa para otimizar recursos e agilizar o encaminhamento de casos suspeitos.
Estudo citado
Artificial intelligence facial recognition of obstructive sleep apnea: a Bayesian meta-analysis. Sleep & breathing = Schlaf & Atmung, 2024.
Autores: Gao EY, Tan BKJ, Tan NKW, Ng ACW, Leong ZH, Phua CQ, Loh SRH, Uataya M, Goh LC, Ong TH, Leow LC, Huang GB, Toh ST.
DOI: 10.1007/s11325-024-03173-3 · PubMed: PMID 39614959
Perguntas para aprofundar
- Qual é a acurácia da inteligência artificial com fotografias craniofaciais no diagnóstico da apneia obstrutiva do sono em comparação à polissonografia?
- As redes neurais convolucionais são superiores a outros algoritmos de IA na detecção de apneia obstrutiva do sono por imagens faciais?
- A IA aplicada a fotografias faciais pode substituir os testes domiciliares de apneia do sono na triagem de pacientes?
Mais sobre IA na atenção primária
- Qual é a acurácia da inteligência artificial aplicada à fotopletismografia para diagnosticar apneia obstrutiva do sono em adultos?
- Modelos de inteligência artificial aplicados à oximetria noturna têm acurácia diagnóstica suficiente para apoiar a investigação de apneia obstrutiva do sono na prática clínica?
- A inteligência artificial tem acurácia diagnóstica comparável à dos radiologistas para rupturas do ligamento cruzado anterior na ressonância magnética?
- Qual é a acurácia diagnóstica do EyeArt para detecção de retinopatia diabética referível em fotografias de fundo de olho?
- A inteligência artificial é eficaz no diagnóstico não invasivo de câncer de pele e qual o seu impacto potencial?
Todas as perguntas sobre IA na atenção primária · Todos os temas · Versão em markdown