Uma ferramenta preditiva baseada em inteligência artificial (IA) pode ser capaz de identificar diabetes tipo 1 em crianças mais cedo, antes de serem diagnosticadas como resultado de cetoacidose diabética potencialmente fatal (CAD), sugere um novo estudo do Reino Unido.
A ferramenta foi desenvolvida por Julia Townson, PhD, gerente sênior de estudos em crianças e jovens da Universidade de Cardiff, Reino Unido, e colegas.
Sua equipe havia mostrado anteriormente que as crianças que desenvolvem diabetes tipo 1 têm um padrão diferente de contato com a atenção primária nos 6 meses que antecederam o diagnóstico.
Os sintomas do diabetes tipo 1 incluem ir mais ao banheiro e sentir sede, cansaço e magreza, mas os médicos de família ainda podem perder esses sinais.
Então, eles testaram diferentes combinações de fatores dos registros do médico de família – como infecções do trato urinário ou enurese, prescrição de antibióticos ou histórico familiar de diabetes tipo 1 – em aproximadamente 1 milhão de crianças no País de Gales, mais de 2.000 das quais foram diagnosticadas com diabetes tipo 1. , para treinar a ferramenta preditiva.
Em um estudo separado com cerca de 1,5 milhão de crianças na Inglaterra, eles descobriram que o algoritmo poderia identificar diabetes tipo 1 em 75% das crianças afetadas 11 dias antes do que sem a ferramenta, se fosse configurado como um alerta em cada uma em cada 10 clínica geral consultas.
Townson apresentou sua pesquisa na recente Diabetes UK Professional Conference 2022.
Um Quarto das Crianças Diagnosticadas com Diabetes Tipo 1 Estão em CAD
Durante sua apresentação, Townson explicou que, no Reino Unido, aproximadamente 25% das crianças com diabetes tipo 1 são diagnosticadas enquanto estão em CAD, um número que permaneceu inalterado por 25 anos.
“Sabemos que atrasos e erros de diagnóstico são as razões mais comuns para uma criança apresentar CAD no momento do diagnóstico”, disse ela. “E, claro, a razão pela qual é tão importante prevenir a apresentação na CAD é devido à considerável morbidade e mortalidade potencial associada a ela”.
De fato, com uma simples pesquisa na internet, Townson conseguiu identificar quatro crianças que perderam a vida para a CAD nos últimos 8 anos no Reino Unido.
“É encorajador ver que esta pesquisa pode salvar muitas famílias de uma viagem potencialmente traumática ao hospital, ajudando os médicos de família a diagnosticar diabetes tipo 1 mais rapidamente”, disse Conor McKeever, gerente de comunicações de pesquisa da instituição de caridade JDRF para diabetes tipo 1, ao Medscape Medical News .
“Esta abordagem pode andar de mãos dadas com a triagem populacional, que tem o potencial de identificar pessoas com alto risco de desenvolver diabetes tipo 1 antes que apresentem quaisquer sintomas”, acrescentou. A esperança é que “muito menos famílias experimentem CAD no início de sua jornada de diabetes tipo 1”.
“Encontrar uma maneira de detectar a doença e tratá-la precocemente pode ajudar a evitar o tratamento hospitalar de emergência e salvar vidas”, concordou Lucy Chambers, PhD, chefe de comunicações de pesquisa da Diabetes UK, que financiou a pesquisa.
Como Integrar a Ferramenta em Sistemas GP
“Agora estamos olhando para ver como essa ferramenta pode funcionar com sistemas de computador de atenção primária”, disse Townson. Ela disse ao Medscape Medical News que eles estão explorando “como isso poderia ser ‘parafusado’ no sistema de software do GP”.
“Funciona em muitos níveis diferentes, mas um nível é a frequência das consultas em relação à frequência das consultas anteriores, então precisa ser capaz de ‘olhar’ nos prontuários eletrônicos, no momento da consulta, para surgir com uma pontuação preditiva.”
Townson disse que não está claro quão “fácil será integrá-lo aos sistemas atuais e não conheço nenhum outro aplicativo de aprendizado de máquina que tenha sido usado assim na atenção primária”.
“Mas estamos esperançosos e começamos a entrar em contato com empresas envolvidas no fornecimento desses sistemas”.
A pesquisa foi financiada pela Diabetes UK, e a Unidade de Ensaios Clínicos foi financiada pela Health and Care Research Wales. Não foram declaradas relações financeiras relevantes.