Pesquisadores da Universidade Estadual de Campinas (Unicamp) desenvolveram um modelo de inteligência artificial capaz de mapear a composição corporal de pacientes com câncer em menos de um minuto. A tecnologia analisa exames de tomografia computadorizada para detalhar a distribuição de músculos e gordura, permitindo prognósticos mais precisos e a personalização de terapias oncológicas.
O sistema foi criado no Centro de Pesquisa, Inovação e Difusão (Cedip) CancerThera, unidade vinculada à Unicamp. O desenvolvimento contou com o apoio da Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp) e envolveu uma equipe multidisciplinar com especialistas em nutrição, oncologia e física.
A ferramenta utiliza um processo técnico chamado segmentação de imagens, que consiste em separar diferentes tecidos em uma imagem digital. O software foca na região da terceira vértebra lombar, área considerada padrão para esse tipo de análise clínica.
Enquanto as tomografias convencionais exibem ossos, vísceras e músculos em tons de cinza, a inteligência artificial cria uma máscara digital. Essa máscara separa e colore autonomamente os tecidos, distinguindo a massa muscular de diferentes tipos de gordura.
O algoritmo consegue identificar com precisão a gordura subcutânea, localizada logo abaixo da pele, e a gordura visceral, que se encontra entre os órgãos. Além disso, a tecnologia mapeia a gordura intramuscular, situada entre as fibras dos músculos.
Análises de composição corporal via tomografia já existiam, mas dependiam de processos manuais lentos e cansativos. Profissionais precisavam segmentar cada tecido individualmente, o que podia levar até uma hora e gerava variações nos resultados dependendo do avaliador.
Atualmente, a prática clínica comum utiliza medidas de circunferências de braços, panturrilhas e dobras cutâneas devido ao alto custo de softwares especializados. No entanto, esses métodos manuais carecem da sensibilidade necessária para avaliar compartimentos corporais profundos.
O novo modelo foi treinado com base na lógica de raciocínio de nutricionistas e médicos, apresentando uma margem de erro inferior a 5%. Ele combina dois modelos de aprendizado de máquina alimentados por dados científicos da Faculdade de Ciências Médicas e do Instituto de Física Gleb Wataghin.
Um estudo conduzido pelo grupo, publicado na revista Informatics in Medicine Unlocked, demonstrou que a análise automatizada prevê riscos de mortalidade em pacientes com câncer de estômago de maneira mais eficiente. A pesquisa analisou dados de 276 pacientes.
Tradicionalmente, o estadiamento do câncer utiliza o sistema TNM, que avalia o tamanho do tumor, a presença de metástases e o envolvimento de linfonodos. Contudo, esse método foca apenas no tumor e não explica por que pacientes no mesmo estágio apresentam evoluções distintas.
Os resultados mostraram que pacientes no Estágio II, classificados como de alto risco pela inteligência artificial, tinham a mesma expectativa de vida que pacientes no Estágio III. Isso ocorre porque a composição corporal influencia fortemente a sobrevivência do paciente.
Alterações na gordura e a perda extrema de massa muscular, condição chamada de caquexia, indicam processos inflamatórios que pioram o prognóstico. A ferramenta permite identificar esses riscos que o método de estadiamento padrão não detecta.
A tecnologia possibilita que a equipe médica identifique pacientes mais vulneráveis e monitore a saúde geral do corpo, além do tumor. Isso evita a aplicação de tratamentos agressivos que poderiam ser ineficazes para pacientes debilitados.
Na área da nutrição clínica, o sistema permite a criação de suportes alimentares focados na necessidade exata de cada indivíduo. O objetivo é combater a perda de massa magra de forma direcionada, melhorando a resposta ao tratamento oncológico.
O programa de computador já foi registrado pela Agência de Inovação da Unicamp e está sendo utilizado em fases de pesquisa. No momento, a ferramenta serve como um alerta para a equipe de saúde identificar pacientes frágeis.
A tecnologia ainda não está disponível para o público geral ou para uso comercial em clínicas e hospitais. Para que isso ocorra, será necessário o licenciamento por empresas do setor de saúde e a validação em novos estudos clínicos.
