Aprendizado de máquina para automatização de classificação de registros fotográficos de e Úlceras do Pé Diabético (UPD) conforme a classificação da Universidade do Texas

Resumo Portugues

Introdução: A Úlcera de Pé Diabético (UPD) é uma complicação da diabetes e é caracterizada por apresentar feridas associadas a isquemia, neuropatia e deformidades a qual pode levar à amputação. Neste contexto, classificar a ferida consiste em avaliar a lesão e identificar o grau de comprometimento das estruturas teciduais e com base nessa análise, categorizar em uma escala padronizada. Tem como papel orientar o diagnóstico para estabelecer a cobertura adequada a cada ferida, além do registro da evolução da úlcera e, por fim, garantir que qualquer profissional de saúde possa entender o estado clínico dando continuidade ao tratamento. Objetivo: Desenvolver um algoritmo para automatizar o processo de classificação de UPD a partir de registros fotográficos de úlceras, utilizando a Classificação da Universidade do Texas. Metodologia: A escrita do algoritmo foi realizada na linguagem Python, uma vez que possui suporte à Inteligência Artificial (IA). Foi selecionada a técnica Redes Neurais Convolucionais (CNNs) por possibilitar o aprendizado com a utilização de amostras. O universo amostral foi composto por 554 registros UPD obtidas no ensaio clínico do projeto RAPHA®. Resultados: Obteve-se um produto de inovação tecnológica: uma ferramenta para treinamento e classificação que pode ser efetuado por profissionais não especializados em Machine Learning. Denominado Claucia - acrônimo para “Classificação de úlceras com Inteligência Artificial”, a versão inicial foi testada por profissionais de saúde (onde foi cedido os registros de UPD para que as classificassem e após esse processo, foi instalado o programa para comparação dos resultados, tendo o software acurácia elevada. Contudo, observou-se também que houve overfitting (problema relacionado as fases de treinamento, onde ao receber dados novos, o modelo de aprendizado não consegue aplicar corretamente as regras de classificação). Isso devido ao volume insuficiente de amostras utilizadas em face da complexidade exigida pela rede e também por não ter amostras de todas as classes. Nesse contexto, o estudo não se encerra no desenvolvimento da ferramenta apresentada, mas deixa em aberto possibilidades de continuidade em novos trabalhos, com acréscimo de amostragem e aplicação de outras métricas de qualidade, como precisão e sensibilidade.