Algoritmo para diagnóstico de síndrome inflamatória multissistêmica na criança
Foi criado um modelo utilizando machine learning, área da inteligência artificial que utiliza algoritmos para realizar análise de predições.
No final do ano passado, a revista The Lancet publicou o artigo de Lam e colaboradores envolvendo diversos hospitais dos Estados Unidos com o objetivo de criar e validar um algoritmo para auxiliar no diagnóstico de síndrome inflamatória multissistêmica na criança (MIS-C), uma doença febril rara relacionada a infecção pelo SARS-CoV-2 cuja fisiopatologia ainda não está clara.
Metodologia
Foi criado um modelo utilizando machine learning, área da inteligência artificial que utiliza algoritmos para realizar análise de predições, nomeado de KIDMATCH (Kawasaki Disease vs Multisystem Inflammatory Syndrome in Children). O algoritmo considerou a idade do paciente, os cinco critérios diagnóstico de doença de Kawasaki (DK) (rash cutâneo, conjuntivite, mucosite, linfadenopatia cervical e alteração das extremidades), além de 17 marcadores laboratoriais incluindo leucometria, hemoglobina, número de plaquetas, valor absoluto de linfócitos, albumina e proteína-C-reativa (PCR). Inicialmente, foram utilizados dados de admissão de pacientes com doenças febris, incluindo DK, desde janeiro de 2009 até dezembro de 2019. O passo seguinte foi avaliar os dados de admissão de pacientes com diagnóstico de MIS-C entre de maio de 2020 e julho de 2021. O algoritmo passou por uma validação interna seguida de uma validação externa que incluiu mais de 15 hospitais.
Resultados
No total, 1.583 pacientes participaram da validação interna do estudo, sendo 135 pacientes com MIS-C, 775 com DK e 673 com diagnóstico de outras doenças febris, caracterizadas como doenças com clínica e laboratório semelhante a MIS-C, mas cujo o diagnóstico foi excluído. Os dados clínicos dos pacientes não foram disponsibilizados. Todos os pacientes com diagnóstico de MIS-C apresentavam sorologia positiva para SARS-CoV-2 e não haviam sido vacinados contra a doença. Os autores não descrevem positividade de teste de antígeno ou RT-PCR para o vírus. O modelo atingiu uma mediana de 98,8% (intervalo interquartil [IIQ] 98,0–99,3) nesta etapa. A validação externa incluiu 175 pacientes, havendo uma acurácia de 90-96% no diagnóstico correto de MIS-C a depender do hospital de onde os pacientes eram provenientes.
Conclusões
Outros artigos com abordagem semelhante já foram publicados, mas tinham como objetivo distinguir pacientes com MIS-C daqueles com DK. O estudo em questão vai além, incluindo controles febris (na avaliação e validando o algoritmo interna e com outras coortes de pacientes. O algoritmo se mostrou uma ferramenta com boa acurácia e de fácil execução no atendimento inicial dos pacientes com suspeita de MIS-C.
Comentários
Estratégias utilizando inteligência artificial já são uma realidade na medicina, sendo uma forma de aumentar a acurácia do diagnóstico, reduzindo a chance de tratamentos desnecessários e de complicações devido ao atraso diagnóstico. A proposta do artigo é muito interessante especialmente no que tange a escolha dos critérios a serem incluídos na avaliação. Desde o surgimento da doença, dezenas de marcadores laboratoriais que não são amplamente disponíveis em nosso meio vêm sendo apresentados nos trabalhos sobre a doença, o que dificulta a investigação completa destes pacientes em nossa prática clínica.
Mensagem prática
Uma ferramenta capaz de fazer a avaliação destes pacientes utilizando critérios clínicos e exames usualmente solicitados no contexto de atendimento de emergência sem dúvidas facilita a abordagem diagnóstica.
Como você avalia este conteúdo?
Sua opinião ajudará outros médicos a encontrar conteúdos mais relevantes.