Desenvolvimento e validação interna de modelos de previsão de história natural de escoliose idiopática e resultados de tratamento por meio do uso de inteligência artificial em um grande banco de dados clínicos (PREPARE)

A escoliose é uma deformidade tridimensional da coluna vertebral. Na sua forma mais comum (cerca de 70% dos casos), as causas são desconhecidas, por isso é chamada de escoliose idiopática. Na maioria dos casos, é descoberto após os 10 anos de idade e é definido diagnosticamente como uma curva de pelo menos 10°, medida em uma radiografia em pé pelo método de Cobb.

Se a escoliose exceder o limiar crítico de 30° Cobb no final do crescimento, existe um risco progressivamente maior de problemas sociais e de saúde na vida adulta. Por esse motivo, o principal objetivo do tratamento é completar o período de crescimento com curva inferior a 30° e bom equilíbrio sagital, ou pelo menos bem abaixo de 50°, que representa o limiar cirúrgico.

O crescimento é um fator que favorece a evolução das deformidades, por isso os pacientes são acompanhados até o final do crescimento. É por isso que a terapia pode durar muitos anos, desde a descoberta da presença de uma deformidade até a maturação óssea.

A identificação precoce de parâmetros preditivos do resultado da terapia para direcionar a menor agressividade possível para o resultado necessário ao futuro do paciente, integrada com a avaliação da sua eficácia (monitorização), é um dos objetivos mais importantes neste campo para minimizar a carga do tratamento numa determinada fase do crescimento, como o desenvolvimento da adolescência, bem como identificar os indivíduos com maior risco de agravamento na idade adulta.

A recolha sistemática de dados clínicos durante o processo terapêutico oferece a possibilidade, através de modelos de análise avançados, aplicados retrospectivamente, de identificar factores predisponentes e factores protectores. Quando os dados disponíveis são suficientemente grandes, é possível obter equações preditivas que auxiliam os médicos nas escolhas terapêuticas e ajudam os pacientes a compreender os riscos e benefícios das terapias disponíveis. Novas tecnologias, como as técnicas de inteligência artificial, oferecem formas novas e interessantes de estimar os riscos e calcular os benefícios e a segurança de algumas escolhas terapêuticas em comparação com outras.

Este estudo tem como objetivo desenvolver e validar internamente modelos de estratificação e predição baseados em dados para prever múltiplas medidas de resultados de final de atendimento que incluem magnitude da curva, medida em graus Cobb, medidas que determinam o equilíbrio sagital e medidas de qualidade de vida e função medidas através de questionários de autopreenchimento.