Modelo desenvolvido por pesquisadores da USP e colaboradores consegue predizer se a condição é hereditária ou adquirida, o que tem implicações no tratamento (imagem: CTC-USP/divulgação)

Publicado em 10/01/2023

Agência FAPESP* – Um algoritmo de machine learning capaz de orientar o diagnóstico de síndromes de falência da medula óssea foi desenvolvido por pesquisadores da Universidade de São Paulo (USP) e colaboradores norte-americanos. Os resultados foram divulgados na revista Blood, da American Society of Hematology.

Com base na análise de 25 variáveis clínicas e laboratoriais, o modelo consegue predizer se a condição é hereditária ou adquirida, o que tem implicações principalmente no manejo de casos graves de pancitopenia – condição em que há redução tanto dos glóbulos brancos e vermelhos do sangue quanto das plaquetas, resultando em anemia [deficiência de glóbulos vermelhos do sangue que pode causar fraqueza, cansaço, sonolência, falta de ar, entre outros problemas], leucopenia [menor capacidade de combater infecções por deficiência de glóbulos brancos do sangue] e trombocitopenia [maior risco de hemorragias por deficiência de plaquetas].

“A escolha de adiar o tratamento enquanto se aguarda o teste genético pode resultar em atraso significativo no tratamento de pacientes gravemente pancitopênicos. Por outro lado, o diagnóstico errado de insuficiência hereditária da medula óssea [BMF, na sigla em inglês] pode expor os pacientes a terapias ineficazes e caras, regimes de condicionamento de transplantes tóxicos e uso inapropriado de um membro da família afetado como doador de células-tronco”, afirmam os autores no artigo.

Segundo os pesquisadores, a ferramenta poderia ser útil para hematologistas e outros profissionais de saúde que atuam em centros com poucos recursos, auxiliando na tomada de decisão clínica.

O trabalho envolveu cientistas do Centro de Terapia Celular (CTC), um Centro de Pesquisa, Inovação e Difusão (CEPID) da FAPESP sediado na Faculdade de Medicina de Ribeirão Preto (FMRP-USP). Um dos coordenadores da pesquisa foi Rodrigo Calado, chefe do Departamento de Imagens Médicas, Hematologia e Oncologia Clínica da FMRP-USP, diretor-presidente-executivo do Hemocentro de Ribeirão Preto e pesquisador principal do CTC.

Para desenvolver a ferramenta, o grupo fez uso de machine learning, um método de análise de dados que automatiza a construção de modelos analíticos. É um ramo da inteligência artificial baseado na ideia de que sistemas podem aprender com dados, identificar padrões e tomar decisões com o mínimo de intervenção humana.

Mais detalhes podem ser encontrados no artigo Differential diagnosis of bone marrow failure syndromes guided by machine learning, que pode ser acessado em: https://ashpublications.org/blood/article/doi/10.1182/blood.2022017518/493845/Differential-diagnosis-of-bone-marrow-failure.

* Com informações do CTC, um CEPID apoiado pela FAPESP.
 

Fonte: https://agencia.fapesp.br/40446