Engenheiros da Universidade Johns Hopkins descobriram que uma nova ferramenta de inteligência artificial pode prever o tamanho da cintura de uma pessoa simplesmente analisando sua idade, altura, peso, etnia e nível de educação.

A precisão impressionante da ferramenta pode ajudar os médicos a estimar o risco de um paciente ter diabetes, doença cardíaca, derrame e outras condições relacionadas à obesidade, geralmente avaliadas usando o famoso índice de massa corporal, ou IMC, um cálculo da altura e do peso de uma pessoa.

As descobertas foram publicadas recentemente em Diabetes & Metabolic Syndrome: Clinical Research & Reviews .

"A circunferência da cintura está intimamente ligada a riscos de saúde como diabetes e doenças cardíacas, mas não é medida regularmente na clínica", disse o autor correspondente Rama Chellappa , Professor Distinto de Engenharia Elétrica e de Computação e Engenharia Biomédica da Bloomberg. "Nosso método torna mais fácil para os médicos preverem o risco de obesidade de um paciente sem precisar medir diretamente sua cintura, o que pode economizar tempo e melhorar a precisão das avaliações de risco para condições relacionadas à obesidade."

Desenvolvido por pesquisadores do Laboratório de Inteligência Artificial para Engenharia e Medicina da Johns Hopkins , o método de aprendizado de máquina altamente preciso prevê a circunferência da cintura sem medição física. A abordagem inovadora estima corretamente a circunferência da cintura dentro de uma faixa estreita cerca de 95% das vezes, oferecendo uma ferramenta confiável para avaliar os riscos de saúde relacionados à obesidade.

O estudo foi liderado pelo estudante de doutorado em engenharia biomédica Carl Harris . Prasanna Santhanam , professora associada da Divisão de Endocrinologia, Diabetes e Metabolismo da Escola de Medicina da Universidade Johns Hopkins, e Daniel Olshvang , um estudante de doutorado em engenharia biomédica, também contribuíram para o estudo. A equipe diz que seu trabalho demonstra a promessa de integrar previsões de IA na prática clínica, especialmente para tratar obesidade.

Ao avaliar os riscos de obesidade, os médicos geralmente se referem ao índice de massa corporal (IMC) de uma pessoa, um cálculo de sua altura e peso. Mas as medições de IMC não são abrangentes; elas não consideram a composição corporal, diferenças étnicas, idade e outros fatores que fornecem uma imagem mais precisa da saúde de uma pessoa. Alguém com um IMC "normal" pode ter um risco maior de problemas de saúde relacionados à obesidade do que alguém com um IMC alto.

Evidências crescentes mostram que a circunferência da cintura é um melhor preditor de problemas de saúde relacionados à obesidade do que o IMC sozinho. No entanto, os pesquisadores apontam que, apesar de seu valor preditivo, a medição da circunferência da cintura enfrenta dois desafios: a falta de uma técnica de medição padronizada e seu uso pouco frequente na prática clínica. A equipe Hopkins se propôs a superar esses desafios.

Eles analisaram dados de saúde de dois grandes estudos, o National Health and Nutrition Examination Survey (NHANES) e o Look AHEAD (Action for Health in Diabetes), que incluíam informações do paciente, como altura, peso, idade, etnia e nível de educação (um substituto para hábitos alimentares). Então, eles aplicaram uma técnica de aprendizado de máquina, chamada "previsão conforme", para prever a circunferência da cintura. Junto com a predição, seu modelo produz uma gama de valores que expressa a confiança do modelo na precisão da predição.

A nova abordagem da equipe superou significativamente os métodos atuais de aprendizado de máquina para prever a circunferência da cintura. Além disso, os autores mostram que os intervalos de incerteza eram confiáveis e generalizáveis, o que significa que o modelo pode fazer previsões precisas sobre populações que diferem substancialmente daquelas em que o modelo foi treinado, como pacientes com diabetes.

Os pesquisadores enfatizam que a capacidade do novo algoritmo de quantificar sua própria incerteza é fundamental não apenas para o sucesso do modelo, mas também para a construção de sistemas de IA confiáveis.

"Nossa abordagem se destaca porque não fornecemos apenas uma única previsão para circunferência da cintura — criamos uma gama de valores que mostram o quão certa ou incerta é a previsão. Isso adiciona uma camada de segurança e precisão, especialmente em ambientes clínicos onde tal incerteza é crítica e orienta a tomada de decisões", disse Harris.

Embora convincentes, os pesquisadores alertam que os resultados são preliminares. A equipe disse que conduzirá mais testes do modelo em várias populações e cenários clínicos para confirmar sua eficácia em situações do mundo real. Eles planejam refinar o modelo incluindo outros fatores como dieta e atividade física, o que pode tornar as previsões ainda mais precisas.