ESTUDO PILOTO PARA A APLICAÇÃO DE INTELIGÊNCIA ARTIFICIAL E MANOMETRIA ANORRETAL: DETEÇÃO E DIFERENCIAÇÃO AUTOMÁTICA DE PADRÕES DE MOTILIDADE ANORRETAL

Introdução A manometria anorretal (MAR) apresenta cada vez mais relevância na avaliação dos distúrbios da defecação e da incontinência anal, ambos prevalentes na população geral. Apesar da sua utilidade, a acessibilidade à MAR é limitada pela dificuldade ao acesso. De fato, a complexidade da análise dos dados e o tempo necessário para a sua execução são desvantagens para sua disponibilidade clínica.

Objetivo Desenvolver e validar um modelo de inteligência artificial (IA), com base numa rede neural convolucional (RNC), com vista à diferenciação automática de padrões de motilidade compatíveis com incontinência fecal (IF) de obstrução defecatória (OD), usando dados brutos de MAR.

Materiais e Métodos Foram recolhidos traçados de pressão de um total de 2.469 estudos por MAR (incluindo 837 pacientes com IF e 1.189 com OD). A identificação e a categorização dos achados foram realizadas por dois especialistas em MAR. Antes do treino da RNC, os sinais foram redimensionados por interpolação ou por remoção de pontos redundantes. Subsequentemente, o conjunto de dados foi dividido em datasets de treino e de teste, para treinamento e validação, respectivamente. Esta divisão foi realizada assumindo como base cada doente individualmente. Os dados de treino foram normalizados para evitar a fuga de dados. Em seguida, treinamos e avaliamos um modelo de deep learning composto por uma série de RNC 1D.

Resultados A RNC detectou e diferenciou automaticamente padrões de motilidade de IF de padrões de OD com uma sensibilidade de 84,1%, uma especificidade de 80,2%, e uma precisão de 78,1%. Além disso, a exatidão global foi de 85,7%. A realização de uma avaliação de desempenho com uma divisão baseada no paciente é um passo importante para a implementação destas soluções na vida real, pois mitiga possíveis vieses na sua aplicabilidade a um ambiente clínico.

Discussão O nosso grupo desenvolveu um algoritmo de IA pioneiro para a detecção automática e a diferenciação de padrões relevantes de motilidade anorretal. O desenvolvimento subsequente da RNC, utilizando um maior volume de dados, é necessário para robustecer o desempenho diagnóstico do modelo e incorporar diagnósticos manométricos adicionais de acordo com a classificação de Londres para distúrbios anorretais.

Conclusão O desenvolvimento subsequente destas ferramentas poderá otimizar o acesso à MAR, o que apresentará um impacto significativo na gestão de pacientes com patologia anorretal funcional.

No conflict of interest has been declared by the author(s).

Publication History

Article published online:
16 March 2023