Minas Gerais – Pesquisadores do Estudo Longitudinal da Saúde do Adulto (ELSA-Brasil) e de seu estudo suplementar, o ELSA-Brasil Musculoesquelético (ELSA-Brasil MSK), desenvolveram uma nova tecnologia de inteligência artificial voltada para a saúde pública e a pesquisa científica. O software recebeu o nome de Kneelsa e foi criado para realizar a classificação automática de radiografias e auxiliar no diagnóstico da osteoartrite de joelho. A tecnologia já conta com proteção legal garantida pela Coordenadoria de Transferência e Inovação Tecnológica (CTIT) da UFMG.
(Foto: Divulgação Elsa-Brasil)
A osteoartrite de joelho é uma doença articular crônica que figura entre os problemas de saúde mais comuns no mundo e está entre as principais causas de incapacidade física. Caracterizada por dor persistente, rigidez e perda progressiva da mobilidade, a condição afeta significativamente a qualidade de vida dos pacientes.
Além das limitações físicas, os impactos da doença se estendem a diferentes aspectos da vida cotidiana. A redução da mobilidade compromete a realização de atividades diárias, prejudica a qualidade do sono e pode favorecer o surgimento de quadros depressivos. A osteoartrite também representa uma importante carga social e econômica, gerando elevados custos com tratamentos, cirurgias, afastamentos do trabalho e aposentadorias precoces.
Diagnóstico precoce como desafio
Um dos principais desafios no manejo da osteoartrite é que o diagnóstico costuma ocorrer em fases avançadas da doença, quando os danos à cartilagem e às articulações já são irreversíveis.
Segundo o professor Júlio Domingues, professor do Departamento de Anatomia e Imagem da Faculdade de Medicina da UFMG, o grande desafio no manejo da doença é que ela costuma ser diagnosticada na clínica em estágios mais avançados, quando os danos na articulação já são irreversíveis. “O diagnóstico inicial é importante justamente para identificar essas alterações antes que a falência articular se consolide. Ao detectarmos a doença ou um alto risco de progressão cedo, ganhamos uma janela de oportunidade para aplicar intervenções e tentar mudar a evolução do quadro no paciente”, explica.
Nesse contexto, o Kneelsa foi desenvolvido para agilizar e ampliar a capacidade de diagnóstico em larga escala. Em estudos epidemiológicos e nos serviços de saúde, a análise manual de milhares de radiografias exige tempo e recursos consideráveis. A inteligência artificial reduz essa demanda ao realizar uma avaliação automática, rápida e reprodutível das imagens digitais.
Tecnologia treinada com dados brasileiros
Desenvolvido na linguagem de programação Python, o Kneelsa utiliza técnicas de deep learning (aprendizado profundo) para processar imagens radiográficas e identificar sinais característicos da osteoartrite, como o desgaste articular e a redução do espaço entre os ossos.
Um dos diferenciais da ferramenta é o conjunto de dados utilizado em seu treinamento. O modelo foi desenvolvido e testado com 5.660 radiografias de joelhos de participantes da linha de base do ELSA-Brasil MSK. Todas as imagens passaram pela avaliação e emissão de laudos por médicos radiologistas previamente calibrados.
Segundo os pesquisadores, a iniciativa surgiu da necessidade de desenvolver soluções mais representativas para a população brasileira e latino-americana.
“Embora a inteligência artificial venha transformando a avaliação de imagens médicas, grande parte das redes neurais para o diagnóstico de osteoartrite foi treinada e testada com dados de populações dos Estados Unidos ou da Europa. Na literatura, faltavam ferramentas voltadas para a população latino-americana e do Sul Global de forma geral”, afirma Júlio Domingues.
O pesquisador destaca ainda que a utilização indiscriminada de modelos desenvolvidos em outros contextos pode comprometer a precisão dos diagnósticos.
“Aplicar esses modelos importados diretamente na nossa realidade traz risco de viés e imprecisão, pois os bancos de dados estrangeiros não capturam a nossa diversidade de características físicas, étnicas e demográficas. Para tentar corrigir isso, desenvolvemos um modelo treinado com dados da população brasileira, extraídos do ELSA-Brasil MSK, criando uma tecnologia mais alinhada ao nosso contexto”, ressalta.
Aplicações na prática clínica
Além da capacidade de identificar alterações radiográficas, o Kneelsa apresenta uma característica considerada estratégica pelos pesquisadores: a possibilidade de ajustar seu desempenho de acordo com as necessidades dos serviços de saúde.
Em testes científicos, o modelo alcançou até 90,7% de acurácia global, 93,8% de sensibilidade e 99,4% de especificidade. Como o sistema calcula probabilidades estatísticas, seus parâmetros podem ser calibrados para diferentes finalidades.
Uma das aplicações é como ferramenta de triagem. Nesse cenário, o sistema pode ser ajustado para maximizar a sensibilidade, permitindo identificar rapidamente exames sem alterações relevantes e reduzindo o volume de radiografias que precisariam ser analisadas pelos especialistas.
Outra possibilidade é sua utilização como segunda leitura para apoio aos radiologistas. Com foco na especificidade, o software pode sinalizar possíveis inconsistências ou alterações sutis, funcionando como uma camada adicional de segurança diagnóstica.
Próximos passos
Apesar dos resultados promissores e do registro da tecnologia, os pesquisadores ressaltam que a utilização do Kneelsa em serviços de saúde ainda depende de etapas adicionais de validação científica.
“É fundamental destacar que a aplicação prática dessa ferramenta em serviços de saúde ainda depende de validação externa — um processo no qual o desempenho do modelo é testado em outras bases de dados e na prática clínica por nós e por outros pesquisadores”, destaca Domingues.
Para acelerar esse processo de aperfeiçoamento, o software foi disponibilizado em um repositório aberto no GitHub, permitindo que pesquisadores de diferentes instituições contribuam para o desenvolvimento da ferramenta.
O Kneelsa é resultado de uma parceria multidisciplinar envolvendo o Ministério da Saúde, a Faculdade de Medicina da UFMG, o Instituto de Ciências Exatas da UFMG, o Hospital das Clínicas da UFMG/Ebserh, a Fundação de Amparo à Pesquisa do Estado de Minas Gerais (Fapemig) e o Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq).
