Estudo de engenharia dá ‘salto quântico’ para detectar doenças renais

O rim é um dos órgãos mais vitais do corpo, responsável por filtrar resíduos, equilibrar eletrólitos e manter a saúde geral. Qualquer comprometimento do seu funcionamento pode levar a consequências graves e muitas vezes irreversíveis.

A doença renal crônica (DRC) é uma dessas condições – uma doença progressiva que danifica os rins ao longo do tempo, levando eventualmente à insuficiência renal se não for tratada. Como a DRC se desenvolve gradualmente e muitas vezes apresenta poucos sintomas nos estágios iniciais, o diagnóstico oportuno é um grande desafio clínico.

Globalmente, estima-se que 850 milhões de pessoas vivam com algum tipo de doença renal. Entre eles, cerca de 10 milhões necessitam de diálise ou transplante renal para sobreviver. Apesar da escala deste problema, a DRC frequentemente passa despercebida até atingir um estágio avançado. O diagnóstico precoce é essencial não apenas para retardar a progressão da doença, mas também para melhorar a qualidade de vida e as taxas de sobrevivência.

Para ajudar a resolver este problema generalizado, os investigadores recorrem cada vez mais à inteligência artificial e à aprendizagem automática (ML) para construir ferramentas automatizadas que possam detectar a DRC de forma mais eficiente e precisa. Os algoritmos de ML podem reconhecer padrões sutis em dados médicos complexos – padrões que, de outra forma, poderiam passar despercebidos pelos médicos.

Uma pesquisa da Faculdade de Engenharia e Ciência da Computação da Florida Atlantic University está levando esse conceito ainda mais longe, explorando como a computação quântica poderia melhorar a precisão e o desempenho dos sistemas de diagnóstico de DRC baseados em ML.

Arslan Munir, Ph.D., autor sênior e professor associado do Departamento de Engenharia Elétrica e Ciência da Computação da FAU, e seus colegas de Bangladesh, desenvolveram e compararam dois sistemas automatizados para diagnóstico de DRC: a Máquina Clássica de Vetores de Suporte (CSVM) e a Máquina de Vetores de Suporte Quântico (QSVM).

O objetivo do estudo foi avaliar a eficiência e a precisão do diagnóstico de ambas as abordagens e compreender melhor como as técnicas emergentes de aprendizado de máquina quântica poderiam eventualmente revolucionar os diagnósticos médicos do mundo real.

A equipe começou preparando e refinando um conjunto de dados de DRC, aplicando um pré-processamento abrangente de dados para garantir a confiabilidade dos resultados. Eles então usaram dois métodos avançados de otimização de dados: Análise de Componentes Principais (PCA) e Decomposição de Valores Singulares (SVD) para reduzir o ruído e melhorar a eficiência computacional. Cada conjunto de dados otimizado foi posteriormente analisado usando algoritmos CSVM e QSVM, permitindo uma comparação detalhada das capacidades preditivas dos dois métodos.

Os resultados do estudo, publicados na revista Informática e Saúderevelou diferenças claras. Quando combinado com PCA, o CSVM alcançou uma precisão notável de 98,75%, enquanto o QSVM atingiu 87,5%.

Usando SVD, o CSVM alcançou 96,25%, em comparação com 60% do QSVM. O SVM clássico também se mostrou muito mais rápido: até 42 vezes mais rápido que o QSVM em determinados ambientes experimentais. O resultado indica que, nas condições atuais de hardware, a abordagem clássica permanece superior tanto em precisão quanto em eficiência de tempo.

No entanto, Munir e seus colegas enfatizaram que o baixo desempenho do QSVM é principalmente um reflexo das limitações computacionais atuais, e não do potencial dos próprios algoritmos quânticos. Mesmo dentro das restrições do hardware clássico, o QSVM ainda alcançou desempenho competitivo – sua precisão de 87,5% usando PCA supera a de vários métodos SVM clássicos existentes relatados em estudos anteriores.

Isto sugere que os sistemas híbridos quânticos-clássicos poderiam desempenhar um papel cada vez mais importante no curto prazo, combinando os pontos fortes de ambos os paradigmas para melhorar a precisão do diagnóstico e, ao mesmo tempo, gerir os desafios tecnológicos atuais.

“O que torna nosso trabalho único é que não aplicamos apenas o aprendizado de máquina clássico para detectar doenças renais crônicas – também testamos uma versão quântica nas mesmas condições”, disse Munir.

“Ao comparar diretamente os modelos clássico e quântico e usar dois métodos de otimização diferentes, obtivemos informações valiosas sobre a situação atual da tecnologia e como a computação quântica pode ajudar a moldar o futuro da análise de cuidados de saúde.”

Olhando para o futuro, a equipe de pesquisa planeja estender seu trabalho explorando algoritmos quânticos adicionais de ML além do QSVM e testando seus métodos em conjuntos de dados médicos maiores e mais diversos. Eles também pretendem se concentrar na otimização de técnicas de seleção de recursos para garantir escalabilidade e adaptabilidade em uma ampla gama de aplicações de diagnóstico. Em última análise, o objetivo é criar ferramentas de diagnóstico baseadas em IA mais confiáveis, eficientes e acessíveis que possam ajudar os médicos a tomar decisões médicas mais rápidas e precisas.

“Esta pesquisa é um salto importante para trazer a computação quântica para os cuidados de saúde – um campo emergente com o poder de transformar a forma como detectamos e tratamos doenças complexas”, disse Stella Batalama, Ph.D., reitora da Faculdade de Engenharia e Ciência da Computação.

“Ao combinar o aprendizado de máquina com tecnologias quânticas de próxima geração, este trabalho oferece uma esperança real para um diagnóstico mais precoce, mais rápido e mais preciso da doença renal crônica, melhorando, em última análise, os resultados e salvando vidas”.