Modelo de IA para previsão de densidade mineral óssea a partir de imagens de raios X

Este estudo tem como objetivo desenvolver um modelo robusto de inteligência artificial (IA) para prever a Densidade Mineral Óssea (DMO) a partir de imagens de raios X usando técnicas de aprendizagem profunda, com foco particular em melhorar a generalização do modelo em diversas populações. O objetivo é fornecer uma ferramenta de rastreio acessível e não invasiva para a osteoporose, reduzindo a dependência de exames de absorciometria de raios X de dupla energia (DEXA), que muitas vezes não estão disponíveis ou são inacessíveis em locais com poucos recursos, como o Bangladesh. Aproveitando a arquitetura da rede neural convolucional (CNN), espera-se que este modelo de IA auxilie no diagnóstico e gerenciamento precoce da osteoporose, melhorando, em última análise, a tomada de decisões clínicas e a eficiência dos cuidados de saúde.

Este estudo observacional de caso-controle será realizado no Departamento de Radiologia do Centro de Diagnóstico e Consulta Ibn Sina, Uttara. O estudo compreende fases de coleta de dados prospectiva e retrospectiva, permitindo uma agregação abrangente de dados. Durante a fase prospectiva, os dados serão coletados diretamente de pacientes elegíveis submetidos a exames de raios X e exames DEXA. Para a fase retrospectiva, os dados históricos serão extraídos de bancos de dados clínicos, incluindo imagens de raios X e relatórios de DMO correspondentes. O estudo visa abordar as variações na saúde óssea em um amplo grupo demográfico, refletindo a prevalência da osteoporose entre diferentes idades, sexos e antecedentes clínicos em Bangladesh.

No Bangladesh, a osteoporose continua subdiagnosticada devido à disponibilidade limitada de scanners DEXA e de pessoal treinado, especialmente em áreas rurais e com recursos limitados. A via de diagnóstico padrão geralmente começa com imagens de raios X sintomáticas, seguidas por uma varredura DEXA se houver suspeita de osteoporose. Este processo de duas etapas é caro e demorado, atrasando o diagnóstico e o tratamento, o que pode levar a complicações graves, incluindo fraturas. As previsões de DMO baseadas em IA a partir de imagens de raios X têm o potencial de agilizar esse caminho, permitindo triagem econômica e priorização de pacientes que podem precisar de mais testes baseados em DEXA. O modelo de IA será treinado usando um conjunto de dados abrangente que inclui covariáveis ​​demográficas e clínicas, como idade, sexo, estado da menopausa e condições comórbidas, como diabetes e correlações de captura de doenças cardiovasculares que podem aumentar a precisão da previsão. Em última análise, o objetivo é oferecer uma solução confiável e escalonável para triagem de osteoporose que possa ser integrada aos fluxos de trabalho clínicos existentes e aliviar a necessidade de DEXA em locais onde ela não está disponível.

O estudo tem como alvo um grupo populacional diversificado, incluindo indivíduos com densidade óssea normal, osteopenia e osteoporose, conforme definido pelas medições DEXA. Esta diversidade garante que o modelo de IA possa ter em conta um amplo espectro de perfis de pacientes e melhorar a sua robustez preditiva. A população será composta por adultos de todas as faixas etárias e sexos, incluindo indivíduos sintomáticos e assintomáticos.

O estudo seguirá um protocolo estruturado de coleta de dados, visando reunir informações abrangentes sobre os pacientes que possam influenciar a saúde óssea. As principais variáveis ​​incluirão detalhes demográficos, como idade, sexo e estado da menopausa; variáveis ​​clínicas como presença de comorbidades como diabetes e doenças cardiovasculares, IMC e histórico de fraturas; e resultados de imagem e diagnóstico, especificamente imagens de raios X (coluna ou quadril) e resultados de varredura DEXA para valores reais de DMO. Na fase prospectiva, os pacientes elegíveis submetidos a exames de raios X ou DEXA serão abordados para consentimento e, mediante acordo, seus dados clínicos e demográficos serão registrados, incluindo um identificador único para garantir a integridade e confidencialidade dos dados. Imagens anonimizadas de raios X e DEXA serão então coletadas, formando o conjunto de dados primário para treinamento de IA. A fase retrospectiva envolverá a extração de dados de registros clínicos existentes, com foco nas imagens de raios X da coluna e do quadril e nos resultados correspondentes da DMO. As informações identificáveis ​​do paciente serão removidas para proteger a privacidade. Este conjunto de dados históricos complementará os dados prospectivos, fornecendo um espectro mais amplo de casos e contribuindo para a generalização do modelo.

O modelo de IA será desenvolvido usando a arquitetura CNN adaptada para previsão baseada em imagens. A análise exploratória dos dados será conduzida inicialmente para compreender a distribuição dos principais fatores demográficos e clínicos, que informarão o equilíbrio e a estrutura do conjunto de dados. Depois que os dados forem limpos e processados, o modelo CNN será treinado para prever os valores de DMO diretamente a partir de imagens de raios X, com medições DEXA reais servindo como informações básicas. O desempenho do modelo será avaliado usando métricas críticas para aplicação clínica, incluindo erro médio absoluto (MAE) e coeficiente de correlação de Pearson (PCC) para avaliar a precisão da previsão, bem como área sob a curva de recuperação de precisão (AUPRC) e precisão geral para medir diagnóstico robustez. Para garantir ainda mais a precisão, será aplicada uma técnica de validação cruzada k-fold, gerando valores médios e desvios padrão para cada métrica, fornecendo assim uma visão sobre a consistência do modelo. Comparações entre várias arquiteturas CNN e metodologias de treinamento identificarão a abordagem ideal para a previsão da DMO.

Após a conclusão, o modelo de IA servirá como uma ferramenta auxiliar de diagnóstico para avaliação da DMO a partir de imagens de raios X, com diversas aplicações previstas. Primeiro, o modelo apoiará a detecção precoce da osteoporose, identificando valores baixos de DMO, permitindo que os médicos detectem a osteoporose mais cedo no caminho do diagnóstico e melhorando potencialmente os resultados dos pacientes. Em segundo lugar, ajudará na tomada de decisões clínicas, permitindo que os profissionais de saúde priorizem os pacientes para testes adicionais, especialmente em ambientes com recursos limitados. Terceiro, a análise de covariáveis ​​clínicas como idade, sexo e comorbidades com DMO poderia refinar a avaliação de risco, apoiando estratégias mais personalizadas de manejo da osteoporose. Por último, o armazenamento estruturado de imagens, valores de DMO e dados clínicos apoiará futuras pesquisas sobre saúde óssea, melhorando o rastreio da osteoporose e as capacidades de cuidados preventivos.

Este estudo não requer instalações adicionais além daquelas já disponíveis nos departamentos de radiologia clínica para raios X e varredura DEXA. Os recursos existentes de armazenamento de dados apoiarão o gerenciamento de dados, garantindo a conformidade com os padrões de privacidade e segurança das informações dos pacientes. Em resumo, o modelo de IA deste estudo busca fornecer uma solução viável e escalonável para o rastreamento da osteoporose, oferecendo previsões precisas e não invasivas da DMO a partir de imagens de raios-X. Esta abordagem tem o potencial de melhorar o acesso aos cuidados de saúde, especialmente em ambientes rurais e com poucos recursos, onde pode funcionar como uma ferramenta de rastreio que mitiga a dependência de exames DEXA dispendiosos.