Apesar de todas as maravilhas modernas da cardiologia, continuamos a ter dificuldade em prever quem terá um ataque cardíaco. Muitas pessoas nunca são submetidas a qualquer tipo de rastreio. Agora, startups como a Bunkerhill Health, a Nanox.AI e a HeartLung Technologies estão a aplicar algoritmos de IA para examinar milhões de tomografias computorizadas em busca de sinais precoces de doença cardíaca. Esta tecnologia pode representar um avanço para a saúde pública, ao aplicar uma ferramenta antiga para identificar pacientes cujo elevado risco de ataque cardíaco está escondido à vista de todos. Mas ainda não foi comprovada em larga escala e levanta questões delicadas sobre a sua implementação e até mesmo sobre a forma como definimos doença.
No ano passado, estima-se que 20 milhões de americanos tenham realizado tomografias computorizadas ao tórax, após um evento como um acidente de viação ou para rastreio de cancro do pulmão. Frequentemente, estas imagens revelam evidências de cálcio nas artérias coronárias (CAC), um marcador de risco de ataque cardíaco, que permanece escondido ou não é mencionado num relatório de radiologia focado em descartar lesões ósseas, traumas internos com risco de vida ou cancro.
Os testes específicos para CAC continuam a ser um método subutilizado de prever o risco de ataque cardíaco. Ao longo de décadas, a placa nas artérias do coração percorre o seu próprio ciclo de vida, endurecendo de resíduo rico em lípidos até se transformar em cálcio. Os ataques cardíacos em si normalmente ocorrem quando uma placa mais jovem e rica em lípidos se rompe de forma imprevisível, desencadeando uma cascata de coagulação e inflamação que acaba por bloquear o fornecimento de sangue ao coração. A placa calcificada é geralmente estável, mas encontrar CAC sugere que também é provável que exista placa mais jovem, com maior propensão para ruptura.
O cálcio nas artérias coronárias pode muitas vezes ser visto em tomografias ao tórax, e a sua concentração pode ser descrita de forma subjetiva. Normalmente, quantificar o escore de CAC de uma pessoa implica obter uma tomografia computorizada específica do coração. No entanto, algoritmos que calculam escores de CAC a partir de tomografias de rotina ao tórax poderiam ampliar de forma massiva o acesso a essa métrica. Na prática, estes algoritmos poderiam ser usados para alertar pacientes e os respetivos médicos sobre escores anormalmente elevados, incentivando-os a procurar cuidados adicionais. Hoje, a presença de startups que oferecem escores de CAC derivados de IA ainda não é grande, mas está a crescer rapidamente. À medida que o uso aumenta, estes algoritmos podem identificar pacientes de alto risco que tradicionalmente passam despercebidos ou que estão na margem do sistema de cuidados.
Historicamente, as tomografias para CAC eram consideradas de benefício marginal e eram comercializadas para pessoas saudáveis, mas preocupadas. Mesmo hoje, a maior parte das seguradoras de saúde não cobre este exame. As atitudes, porém, podem estar a mudar. Mais grupos de especialistas têm vindo a endossar os escores de CAC como uma forma de refinar as estimativas de risco cardiovascular e convencer pacientes céticos a começar a tomar estatinas.
A promessa dos escores de CAC derivados de IA faz parte de uma tendência mais ampla de explorar grandes volumes de dados médicos para identificar doenças que, de outra forma, passariam despercebidas. Mas, embora pareça promissora, esta prática levanta muitas questões. Por exemplo, os escores de CAC não se revelaram úteis como um instrumento simples para rastreio universal. Um estudo dinamarquês de 2022, que avaliou um programa populacional, por exemplo, não demonstrou benefício nas taxas de mortalidade para pacientes que tinham realizado exames de rastreio com CAC. Se a IA fornecesse automaticamente essa informação, o cálculo mudaria realmente?
E, com a adoção generalizada, escores anormais de CAC tornar-se-ão comuns. Quem faz o acompanhamento destes achados? “Muitos sistemas de saúde ainda não estão preparados para agir perante achados incidentais de cálcio em larga escala”, diz Nishith Khandwala, cofundador da Bunkerhill Health. Sem um procedimento padrão para isso, afirma, “corre-se o risco de criar mais trabalho do que valor”.
Também existe a questão de saber se estes escores gerados por IA realmente melhorariam o cuidado ao paciente. Para um paciente sintomático, um escore de CAC igual a zero pode oferecer uma falsa sensação de segurança. Para o paciente assintomático com um escore de CAC elevado, os passos seguintes continuam incertos. Para além das estatinas, não está claro se estes pacientes beneficiariam ao iniciar medicamentos caros para redução do colesterol, como o Repatha ou outros inibidores de PCSK9. Isto pode incentivar alguns a procurar procedimentos desnecessários, porém dispendiosos, que podem até acabar por causar danos. Atualmente, a pontuação de CAC derivada de IA não é reembolsada como um serviço separado pelo Medicare ou pela maioria das seguradoras. O caso de negócio para esta tecnologia hoje está, efetivamente, ancorado nestes potenciais incentivos perversos.
A um nível fundamental, esta abordagem pode realmente alterar a forma como definimos doença. Adam Rodman, hospitalista e especialista em IA no Beth Israel Deaconess Medical Center, em Boston, observou que escores de CAC derivados de IA partilham semelhanças com o “incidentaloma”, um termo cunhado na década de 1980 para descrever achados inesperados em tomografias. Em ambos os casos, o padrão normal de diagnóstico, no qual médicos e pacientes iniciam deliberadamente exames para descobrir o que está a causar um problema específico, foi fundamentalmente rompido. Mas, como Rodman observa, os incidentalomas ainda eram encontrados por humanos que analisavam as imagens.
Agora, diz ele, estamos a entrar numa era de “nosologia baseada em máquinas”, na qual algoritmos definem doenças segundo os seus próprios critérios. À medida que as máquinas fazem mais diagnósticos, podem identificar coisas que nós deixamos passar. Mas Rodman e eu começámos a perguntar-nos se poderá surgir um futuro diagnóstico em duas camadas, no qual os “que têm” pagam por algoritmos de marca, enquanto os “que não têm” se contentam com alternativas inferiores.
Para pacientes sem fatores de risco ou desconectados do cuidado médico regular, um escore de CAC derivado de IA poderia potencialmente detetar problemas mais cedo e mudar completamente o panorama. Mas a forma como estes escores chegam às pessoas, o que se faz com eles e se podem, de facto, melhorar os resultados dos pacientes em larga escala permanecem questões em aberto. Por enquanto, segurando a caneta enquanto alternam entre pacientes e resultados algorítmicos, os clínicos ainda importam.
Tom Humberstone