Estudo mostra que a IA e os médicos têm igual dificuldade em identificar estalidos ao analisar os sons respiratórios
Comparação de curvas ROC entre o modelo humano e de IA com todos os dados em diferentes identificações de sons respiratórios. Crédito: npj Medicina Respiratória de Cuidados Primários (2024). DOI: 10.1038/s41533-024-00392-9
Embora os estertores sejam considerados há muito tempo como um achado característico em exames físicos, um novo estudo revelou a sua falta de fiabilidade não só entre médicos humanos, mas também em sistemas de inteligência artificial.
A ausculta tem sido uma ferramenta valiosa para diagnosticar doenças e avaliar sua gravidade de maneira em tempo real, não invasiva e econômica. No entanto, a confiabilidade da interpretação dos sons respiratórios depende fortemente da experiência, preferências e habilidades auscultatórias dos médicos. Além disso, as características inerentes aos sons respiratórios adventícios representam desafios significativos de classificação. Mais importante ainda, a inteligência artificial (IA) encontra dificuldades semelhantes.
Em colaboração, o Departamento de Emergência do Hospital Universitário Nacional de Taiwan, filial de Hsinchu, e o Departamento de Engenharia Elétrica da Universidade Nacional de Tsing Hua estabeleceram um banco de dados on-line de sons respiratórios denominado Formosa Archive of Breath Sound.
Esse banco de dados é composto por 11.532 registros de sons respiratórios, todos captados no pronto-socorro com fidelidade clínica. Aproveitando esse extenso conjunto de dados e técnicas avançadas de aumento de dados – incluindo Spec Augment, Gamma Patch-Wise Correction Augmentation e Mixup – a equipe desenvolveu um sistema de IA para identificação de sons respiratórios com desempenho comparável ao de médicos humanos.
Para avaliar o desempenho, tanto os médicos quanto os sistemas de IA foram encarregados de identificar sons respiratórios anormais. Estalos, um som difícil de reconhecer devido à sua natureza descontínua e transitória e à falta de qualidade tonal musical (ao contrário dos chiados), revelaram-se problemáticos. Surpreendentemente, os sistemas de IA não superaram os médicos humanos na abordagem destes desafios. Menor especificidade, concordância entre avaliadores e área sob a curva ROC também foram observadas para estertores nas análises de IA.
Essas descobertas, que ressaltam as limitações comuns da ausculta humana e da IA na distinção de estertores, foram publicadas em 15 de outubro de 2024, na revista npj Medicina Respiratória de Cuidados Primários.
“Essa fraqueza compartilhada torna os estertores um achado físico não confiável. Consequentemente, as decisões médicas baseadas em estertores devem ser abordadas com cautela e verificadas por meio de exames adicionais. Além disso, a baixa relação sinal-ruído, os artefatos de ruído semelhantes aos estertores e o volume irregular contribuem à dificuldade que os sistemas de IA enfrentam na identificação de estalos.
“O futuro treinamento de IA para identificação de sons respiratórios deve se concentrar mais intensamente na melhoria do reconhecimento de crepitações”, disse o Dr. Chun-Hsiang Huang.
Mais informações:
Chun-Hsiang Huang et al, A falta de confiabilidade dos estertores: insights de um estudo do som da respiração usando médicos e inteligência artificial, npj Medicina Respiratória de Cuidados Primários (2024). DOI: 10.1038/s41533-024-00392-9
Fornecido pela Universidade Nacional de Taiwan
Citação: Estudo mostra que IA e médicos têm igual dificuldade em identificar crepitações ao analisar sons respiratórios (2024, 29 de novembro) recuperado em 30 de novembro de 2024 em https://medicalxpress.com/news/2024-11-ai-physicians-equal-difficulty-crackles. HTML
Este documento está sujeito a direitos autorais. Além de qualquer negociação justa para fins de estudo ou pesquisa privada, nenhuma parte pode ser reproduzida sem permissão por escrito. O conteúdo é fornecido apenas para fins informativos.
