Um algoritmo de aprendizado de máquina ajudou médicos a detectar pacientes com alto risco de câncer colorretal, permitindo que agendassem colonoscopias para esses pacientes, mostra um novo estudo. O algoritmo foi capaz de fornecer aos pacientes de alto risco que perderam uma colonoscopia informações sobre o tipo de tratamento necessário, de acordo com um estudo realizado pela Geisinger e a Medial EarlySign.
A Geisinger, que possui dez campi hospitalares nos Estados Unidos, um plano de saúde que atende mais de 500 mil pessoas, um instituto de pesquisa e a Geisinger Commonwealth School of Medicine, trabalhou com a empresa de software Medial EarlySign para estudar o algoritmo. Os resultados foram publicados no NEJM Catalyst Innovations in Care Delivery.
O estudo avaliou 25.610 pacientes que a Geisinger definiu como atrasados para o rastreamento do câncer colorretal (CCR). Os pesquisadores então usaram o algoritmo de aprendizado de máquina para determinar quais pacientes estavam em risco de desenvolver câncer. Foram analisados vários fatores, como idade, sexo e um hemograma completo ambulatorial recente.
Com base na análise, os enfermeiros chamaram os pacientes de alto risco para agendar uma colonoscopia. Eles conseguiram agendar uma colonoscopia para cerca de 68% dos pacientes de alto risco. Além disso, cerca de 70% dos pacientes sinalizados pelo algoritmo tiveram uma descoberta significativa.
“Quando implementado com cuidado e apoiado por profissionais de saúde, o aprendizado de máquina pode ser um suplemento não invasivo e de baixo custo para outros esforços de triagem de câncer colorretal”, disse o médico Keith Boell, coautor do estudo e diretor de qualidade para iniciativas populacionais da Geisinger, em um comunicado de imprensa. “Essa tecnologia pode atuar como uma rede de segurança, potencialmente prevenindo diagnósticos perdidos ou atrasados entre alguns pacientes que já podem ter sinais não diagnosticados da doença.”
Embora existam vários benefícios associados à triagem de rotina do CCR, o National Cancer Institute descobriu que quase um terço (32%) dos adultos nos EUA não seguem as diretrizes de triagem. A detecção precoce do CCR é fundamental, pois pode diminuir significativamente a probabilidade de morte.
Assim como no CRC, o aprendizado de máquina provou ser eficaz na detecção e tratamento de outras doenças.
Em outubro de 2021, engenheiros da Universidade Johns Hopkins criaram uma sonda óptica não invasiva para estudar tumores. Eles desenvolveram um modelo de aprendizado de máquina para monitorar as alterações nos tumores após a imunoterapia. Os pesquisadores treinaram o modelo algorítmico com 7.500 pontos de dados espectrais de 25 tumores.
Durante a pandemia, o aprendizado de máquina também foi usado para prever quais pacientes podem estar em risco de desenvolver covid-19 grave.
Um estudo da Infectious Diseases of Poverty, que incluiu pacientes com covid-19 do hospital JinYanTan em Wuhan, na China, testou três técnicas diferentes de aprendizado de máquina. Os pesquisadores descobriram que uma das técnicas poderia prever de forma confiável e precisa a gravidade da doença. Com informações da HealthITAnalytics.