O software “Kneelsa” utiliza aprendizado profundo para analisar radiografias digitais e suprir a falta de dados da população latino-americana em modelos internacionais; produto é financiado pelo Ministério da Saúde, Fapemig e CNPq.
Pesquisadores do Estudo Longitudinal da Saúde do Adulto (ELSA-Brasil), e de seu estudo suplementar, o ELSA-Brasil Musculoesquelético (ELSA-Brasil MSK), desenvolveram e registraram uma nova tecnologia de inteligência artificial voltada para a saúde pública e pesquisa. Batizado de Kneelsa, o software foi concebido para realizar a classificação automática e otimizar o diagnóstico radiográfico da osteoartrite dos joelhos. O programa conta com proteção legal garantida da Coordenadoria de Transferência e Inovação Tecnológica (CTIT) da UFMG.
O que é a osteoartrite e qual o impacto na população?
A osteoartrite de joelhos (OAJ) é uma doença articular crônica e figura como um dos problemas de saúde mais comuns do planeta, sendo considerada uma das maiores causas de incapacidade física. Na prática, ela provoca dor crônica, rigidez e perda progressiva de mobilidade nas articulações.
De acordo com os pesquisadores, as consequências a longo prazo vão muito além do aspecto físico e da dor: a limitação dos movimentos diminui drasticamente o nível de atividade diária do indivíduo, prejudica a qualidade do sono e pode favorecer o surgimento de quadros depressivos. Além do sofrimento gerado, a OAJ representa uma carga social e econômica importante aos indivíduos e ao SUS e à sociedade, devido aos altos custos com tratamentos médicos, cirurgias complexas, faltas repetidas ao trabalho (absenteísmo) e aposentadoria precoce.
Por que o produto é importante?
O grande desafio da doença reside em seu caráter silencioso e irreversível: ela costuma ser diagnosticada quando os danos à cartilagem e à articulação já estão muito avançados. O diagnóstico eficiente é vital para mudar esse cenário. Identificar as alterações precocemente abre uma valiosa “janela de oportunidade” para que as equipes médicas iniciem o tratamento precoce e mudem a evolução clínica do paciente, retardando a falência articular.
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.
O Kneelsa surge justamente para agilizar e dar suporte a esse diagnóstico em larga escala. Em estudos epidemiológicos ou no SUS, analisar milhares de radiografias manualmente consome muito tempo e recursos. A inteligência artificial diminui essa carga ao realizar uma varredura automática, ágil e reprodutível das imagens digitais.
Como o software foi desenvolvido?
Programado na linguagem Python, o software funciona com base em técnicas de deep learning (aprendizado profundo). Ele processa imagens digitais e ajusta as chamadas “regiões de interesse” para identificar sinais característicos da osteoartrite de joelho, como o desgaste e o pinçamento dos espaços entre os ossos.
O grande diferencial do Kneelsa é o seu banco de dados de treinamento. O modelo foi abastecido e testado com 5.660 radiografias de joelhos de voluntários participantes da linha de base ELSA-Brasil MSK. Todas as imagens usadas no desenvolvimento passaram pelo crivo e laudo de médicos radiologistas calibrados.
A motivação para o desenvolvimento nacional partiu de uma carência grave de representatividade na ciência de dados em saúde.
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.
Ainda segundo o pesquisador, importar programas estrangeiros sem critérios pode comprometer a saúde dos pacientes locais:
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.
Como ele funciona na prática médica?
Uma das grandes vantagens científicas do Kneelsa é a sua capacidade de calibração flexível. O algoritmo não entrega apenas uma resposta rígida, mas calcula uma probabilidade estatística que pode ser moldada pelos gestores de saúde de acordo com a carência do local. O modelo alcançou métricas de excelência nos testes científicos, podendo chegar a 90,7% de acurácia global, 93,8% de sensibilidade ou até 99,4% de especificidade.
Essa flexibilidade permite que a IA atue em duas frentes de trabalho distintas:
1. Ferramenta de triagem: Se o hospital precisar descartar exames normais rapidamente, ajusta-se a IA para a sua sensibilidade máxima. Isso reduz o volume de radiografias sem alterações que precisariam ser lidas, otimizando o fluxo de trabalho dos médicos.
2. Segunda leitura (Apoio ao especialista): Se o objetivo for revisar casos difíceis e evitar falhas humanas, calibra-se o sistema para priorizar a especificidade. Nesse cenário, o software pode sinalizar possíveis inconsistências ou apontar alterações sutis nas radiografias, servindo como um revisor de segurança para o radiologista.
Próximos passos
Apesar do registro do software e dos excelentes resultados obtidos na pesquisa acadêmica, os criadores adotam uma postura responsável quanto à chegada imediata do produto aos serviços de saúde. Por isso mesmo, o software está disponível publicamente em repositório aberto (GitHub) para que a comunidade científica ajude a aprimorá-lo.
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.
O Kneelsa foi desenvolvido em parceria multidisciplinar envolvendo o Ministério da Saúde, a Faculdade de Medicina e o Instituto de Ciências Exatas da UFMG, o Hospital das Clínicas da UFMG/EBSERH, a FAPEMIG e o CNPq.