A tecnologia pioneira desenvolvida pelos pesquisadores da UCL e do Instituto Africano de Pesquisa em Saúde (AHRI) poderia transformar a capacidade de interpretar com precisão os resultados dos testes de HIV, particularmente em países de baixa e média renda.
Os acadêmicos do Centro de Nanotecnologia de Londres da UCL e AHRI usaram algoritmos de aprendizado profundo (inteligência artificial/IA) para melhorar a capacidade dos trabalhadores da saúde de diagnosticar o HIV usando testes de fluxo lateral na África do Sul rural.
Suas descobertas, publicadas hoje na Nature Medicine, envolvem o primeiro e maior estudo dos resultados de testes de HIV adquiridos em campo, que aplicaram o aprendizado por máquinas (IA) para ajudá-los a classificá-los como positivos ou negativos.
Mais de 100 milhões de testes de HIV são realizados anualmente em todo o mundo, o que significa que mesmo uma pequena melhoria na garantia de qualidade poderia impactar a vida de milhões de pessoas, reduzindo o risco de falsos positivos e negativos.
Aproveitando o potencial dos sensores de telefonia móvel, câmeras, poder de processamento e capacidade de compartilhamento de dados, a equipe desenvolveu um aplicativo que pode ler resultados de testes de uma imagem tirada por usuários finais em um dispositivo móvel. Ela também pode ser capaz de relatar resultados aos sistemas de saúde pública para melhor coleta de dados e cuidados contínuos.
Os testes de fluxo lateral – ou testes de diagnóstico rápido (RDTs) – têm sido usados em toda a pandemia COVID-19 e desempenham um papel importante no controle e triagem de doenças.
Embora forneçam uma forma rápida e fácil de testes fora dos ambientes clínicos, incluindo autoteste, a interpretação dos resultados dos testes pode às vezes ser um desafio para os leigos.
Os auto-testes dependem da auto-relatação dos resultados pelas pessoas para fins de suporte clínico e vigilância. As evidências sugerem que alguns cuidadores leigos podem ter dificuldades para interpretar RDTs por causa da cegueira por cor ou miopia.
O novo estudo examinou se um aplicativo de IA poderia apoiar as decisões de teste de HIV tomadas por trabalhadores de campo, enfermeiros e agentes comunitários de saúde.
Uma equipe de mais de 60 trabalhadores de campo treinados no AHRI primeiro ajudou a construir uma biblioteca com mais de 11.000 imagens de testes de HIV feitas em várias condições no campo em KwaZulu-Natal, África do Sul, usando uma ferramenta de saúde móvel e um protocolo de captura de imagens desenvolvido pela UCL.
A equipe da UCL usou então estas imagens como dados de treinamento para seu algoritmo de aprendizagem da máquina. Eles compararam com que precisão o algoritmo classificou as imagens como negativas ou positivas, versus os usuários interpretando os resultados dos testes pelos olhos.
A autora principal e diretora da professora i-sense Rachel McKendry (UCL London Center for Nanotechnology e UCL Division of Medicine) disse: “Este estudo é uma parceria realmente forte com a AHRI que demonstra o poder de usar o aprendizado profundo para classificar com sucesso as imagens de teste rápido adquiridas no ‘mundo real’ e reduzir o número de erros que podem acontecer ao ler os resultados dos testes a olho”. Esta pesquisa mostra o impacto positivo que as ferramentas móveis de saúde podem ter em países de baixa e média renda e abre caminho para um estudo maior no futuro”.
Um estudo piloto de campo com cinco usuários de experiência variável (desde enfermeiras até trabalhadores comunitários de saúde recém-formados) os envolveu usando o aplicativo móvel para registrar sua interpretação de 40 resultados de testes de HIV, bem como capturar uma imagem dos testes para serem lidos automaticamente pelo classificador de aprendizagem da máquina. Todos os participantes foram capazes de usar o aplicativo sem treinamento.
O classificador de aprendizagem da máquina foi capaz de reduzir erros na leitura de RDTs, classificando corretamente as imagens de RDT com 98,9% de precisão geral, em comparação com a interpretação tradicional dos testes a olho nu (92,1%).
Um estudo anterior de usuários com experiência variável na interpretação de RDTs HIV mostrou que a precisão variava entre 80% e 97%.
Outras doenças que as RDTs poderiam suportar incluem malária, sífilis, tuberculose, influenza e doenças não transmissíveis.
O primeiro autor, Dr. Valérian Turbé (UCL London Center for Nanotechnology) e pesquisador do i-sense no grupo McKendry, disse: “Tendo passado algum tempo em KwaZulu-Natal com trabalhadores de campo organizando a coleta de dados, eu vi como é difícil para as pessoas terem acesso aos serviços básicos de saúde. Se estas ferramentas podem ajudar a treinar as pessoas para interpretar as imagens, você pode fazer uma grande diferença na detecção do HIV muito cedo, o que significa um melhor acesso à saúde ou evitar um diagnóstico incorreto. Isto pode ter implicações maciças na vida das pessoas, especialmente porque o HIV é transmissível”.
A equipe agora planeja um estudo de avaliação maior para avaliar o desempenho do sistema, com usuários de diferentes idades, sexos e níveis de alfabetização digital.
Um sistema digital também foi projetado para se conectar aos sistemas de gestão de laboratório e saúde, onde a implantação e o fornecimento de RDT podem ser melhor monitorados e gerenciados.
A Professora Maryam Shahmanesh (UCL Institute for Global Health), líder da Faculdade de Pesquisa Clínica da AHRI, disse: “Os testes que realizamos na área descobriram que o autoteste de HIV é eficaz para atingir um grande número de adolescentes e homens jovens. Entretanto, os autoteste de HIV têm tido menos sucesso em ligar as pessoas à prevenção e tratamento biomédico. Um sistema digital que conecta o resultado de um teste e a pessoa à saúde, incluindo a ligação com a terapia anti-retroviral e a profilaxia pré-exposição, tem o potencial de descentralizar a prevenção do HIV e cumprir as metas do UNAIDS para eliminar o HIV”.
Dr. Kobus Herbst, líder da Faculdade de Ciências Populacionais da AHRI, acrescentou: “Este estudo mostra como as abordagens de aprendizagem de máquinas podem se beneficiar de grandes e diversos conjuntos de dados disponíveis no Sul global, mas, ao mesmo tempo, ser sensíveis às prioridades e necessidades de saúde locais”.
Os pesquisadores também sugerem que a comunicação em tempo real dos resultados de RDT através de um dispositivo conectado poderia ajudar no treinamento da força de trabalho e no gerenciamento de surtos, por exemplo, destacando os ‘hotspots’ onde os números de testes positivos são altos. Eles estão atualmente estendendo a abordagem para outras infecções, incluindo a COVID-19, e doenças não transmissíveis.
O ex-Diretor do AHRI, Professor Deenan Pillay (Infecção e Imunidade da UCL), disse: “À medida que a pesquisa em saúde digital se desloca para a corrente dominante, permanecem sérias preocupações de que as populações mais carentes em todo o mundo não se beneficiarão tanto quanto aquelas em ambientes de alta renda. Nosso trabalho demonstra como, com parcerias e engajamento adequados, podemos demonstrar utilidade e benefício para aqueles em ambientes de baixa e média renda”.
Referências
AI app could help diagnose HIV more accurately
https://medicalxpress.com/news/2021-06-ai-app-hiv-accurately.html
Valérian Turbé et al, Deep learning of HIV field-based rapid tests, Nature Medicine (2021). DOI: 10.1038/s41591-021-01384-9
