A IA pode mudar a maneira como medimos a pressão cerebral em pacientes neurocríticos
Projeto de graduação em engenharia biomédica produz método não invasivo para medir pressão intracraniana com risco de vida
Uma equipe de pesquisa da Universidade Johns Hopkins desenvolveu um algoritmo para medir de forma não invasiva a pressão intracraniana (PIC) usando dados de sinais vitais verificados rotineiramente na UTI.
O novo método utiliza técnicas de aprendizado profundo para gerar medições de PIC com uma precisão comparável à abordagem padrão atual, que requer perfuração através do crânio.
“Foi extraordinário ver como algo que começou como um projeto de classe acabou aqui. É uma prova da motivação e do engajamento de nossos alunos que chegamos a um resultado que é, de muitas maneiras, um grande sucesso.”
Robert Stevens “A medição não invasiva da PIC é uma espécie de Santo Graal na medicina de terapia intensiva. Este novo método pode mudar o jogo porque podemos potencialmente oferecer a capacidade de obter medições da PIC sem realizar este procedimento extremamente invasivo”, disse o autor sênior Robert Stevens, professor associado de anestesiologia e medicina de terapia intensiva na Faculdade de Medicina da Universidade Johns Hopkins.
A equipe de pesquisa, que inclui estudantes e professores de engenharia biomédica, anestesiologistas e neurocirurgiões, publicou suas descobertas na edição de julho da Computadores em Biologia e Medicina .
Aprendendo a inovar com inteligência artificial
Como médico intensivista, Stevens trata pacientes com traumatismo cranioencefálico agudo, uma condição que pode levar ao inchaço cerebral e a um aumento potencialmente fatal da pressão dentro do crânio do paciente.
Atualmente, a maneira mais eficaz de monitorar a PIC é perfurar um orifício no crânio e avançar um cateter no tecido cerebral para coletar informações de forma de onda – um procedimento de alto risco que requer uma equipe cirúrgica e só pode ser realizado em uma unidade de terapia intensiva, sala de cirurgia ou departamento de emergência. Existem outros métodos não invasivos para medir a PIC, mas poucos demonstraram confiabilidade, e a maioria não consegue gerar medições contínuas de PIC.
Três anos atrás, Stevens desafiou os alunos do programa de Equipe de Design de Graduação do Departamento de Engenharia Biomédica a usar IA para ajudar os médicos a monitorar a PIC de forma precisa e contínua, sem cirurgia.
“Nossa equipe trouxe uma ampla variedade de experiência para o projeto, desde fortes habilidades em ciência de dados e programação até expertise em prototipagem”, disse Shiker Nair, Engr ’22, o primeiro autor do estudo e líder da Design Team ICPredict. “Mas nosso maior desafio foi equilibrar a viabilidade técnica com o impacto clínico. No escopo de apenas um ano, o que poderíamos fazer que causaria uma mudança definitiva no cenário atual do monitoramento de ICP?”
Os alunos acompanharam clínicos e neurologistas na Neuro-ICU do Johns Hopkins Hospital, tendo uma visão em primeira mão da importância do monitoramento da PIC e das principais limitações que eles precisavam abordar. Nair disse que, embora eles explorassem muitas soluções possíveis abordando vários aspectos do problema, o processo de integração dessas soluções foi desafiador.
Por fim, sob a orientação de Stevens e Nicholas Durr, professor associado de engenharia biomédica, os alunos desenvolveram um algoritmo de IA projetado para calcular indiretamente a PIC, analisando os padrões de forma de onda de variáveis fisiológicas mais facilmente acessíveis, como a pressão arterial.
Testando o algoritmo
Para construir e testar as habilidades preditivas de sua abordagem, a equipe estudou três fontes de dados de forma de onda que são continuamente coletadas de pacientes de UTI: pressão arterial (PA), eletrocardiograma (ECG) e fotopletismografia (o sinal usado para gravações de oximetria de pulso). Eles começaram com um conjunto de dados de pacientes que tiveram medições simultâneas dessas variáveis e medições invasivas de PIC obtidas por meio de cateteres no cérebro. Em seguida, eles usaram formas de onda de PA, ECG e PPG para treinar seis algoritmos de aprendizado profundo diferentes para ver se eles poderiam gerar formas de onda de PIC que fossem precisas quando comparadas à PIC “verdade básica” medida usando métodos invasivos.
Funcionou. Os valores de ICP estimados usando o novo algoritmo corresponderam de perto aos medidos usando métodos invasivos. Além disso, o algoritmo Hopkins foi tão preciso quanto, ou até mais preciso do que, outros métodos não invasivos para avaliar ICP. Esses resultados são bastante significativos, de acordo com Stevens, que aponta que um método que permite o monitoramento contínuo e não invasivo de ICP em tempo real pode poupar os pacientes de uma cirurgia arriscada e deixar os médicos saberem quando devem intervir para diminuir a ICP.
“Se estudos posteriores confirmarem que isso é confiável e preciso, talvez possamos acabar com o monitoramento invasivo da PIC por completo”, disse Stevens. “O que também é empolgante é que isso significaria que a PIC poderia ser monitorada em vários ambientes de cuidados, e não apenas em uma unidade de terapia intensiva.”
A equipe planeja validar essas descobertas usando um conjunto de dados muito maior antes de prosseguir para inscrever uma coorte de pacientes para um teste prospectivo. Muitos dos alunos, incluindo Nair, continuaram a trabalhar no projeto mesmo depois de passarem para outras instituições ou posições na indústria.
“Foi extraordinário ver como algo que começou como um projeto de classe acabou aqui. É uma prova da motivação e do engajamento de nossos alunos que chegamos a um resultado que é, de muitas maneiras, um grande sucesso”, disse Stevens.
Outros coautores incluem os ex-alunos recentes da Hopkins, Alina Guo, Engr ’23; Arushi Tandon, Engr ’23; e Joseph Boen, Engr ’22; a aluna de mestrado Meer Patel; os veteranos da engenharia biomédica Atas Aggarwal, Ojas Chahal e Sreenidhi Sankararaman; Tej D. Azad, médico residente no Departamento de Neurocirurgia da Johns Hopkins; e Romain Pirracchio, professor de anestesia na Universidade da Califórnia, em São Francisco (UCSF).
