Reconhecimento de padrões moleculares, clínicos e imunológicos para criação de algoritmo da suscetibilidade e evolução clínica da hanseníase baseado em inteligência artificial

Abstract

A hanseníase é uma doença infecciosa causada pelo M. leprae. O Brasil é um dos países mais afetados e Gov. Valadares vem apresentando alta detecção ao longo dos anos, tornando-se um local ideal para estudar interações epidemiológicas e determinar padrões clínicos para o diagnóstico, que permanece baseado na observação de manifestações clinicamente relevantes o que demanda treinamento específico e certa experiência do profissional para evitar um diagnóstico equivocado. Os objetivos foram desenvolver um sistema computacional acessível, portátil e preciso para dar suporte ao diagnóstico da hanseníase. Por meio do Sistema Nacional de Agravos de Notificação (SINAN), foram coletados dados sobre casos de hanseníase entre 2001 e 2017, diagnosticados no município de Gov. Valadares, 3.368 casos para a análise de reconhecimento de padrões. O banco de dados não
apresentava qualquer identificação dos pacientes, sendo composto das seguintes variáveis: idade, sexo, número de lesões, modo de entrada, modo de detecção, baciloscopia, número de nervos afetados, forma clínica e classificação operacional da hanseníase. Foi aplicado a esse conjunto de dados um algoritmo de inteligência artificial (IA) chamado Random Forest, presente no software R, livremente disponível para prever a forma clínica em casos novos. A média de idade na notificação foi de 39 anos e 55,5% eram do sexo feminino, (46%) apresentaram apenas uma lesão no corpo, enquanto 20,2% apresentaram sete lesões. A maioria (68,7%) apresentou baciloscopia positiva e 73,5% não apresentaram nervos afetados. A forma clínica demonstrou-se distribuída em: 39,5% tuberculóide - 36,5% dimorfo - 15,8%  indeterminado - e 8,2% virchowiano. A IA aplicada apresentou-se bastante robusta para a atribuição de formas clínicas segundo a classificação de Madrid, com um erro de classificação de 11,86%. A principal fonte de erro na atribuição da forma clínica por IA veio de casos indeterminados que, segundo o algoritmo são quase todos classificados como tuberculóide. Enfatiza-se a importância do emprego de mais testes para se efetuar diagnósticos e classificações mais precisos, bem como evitar possíveis equívocos frente a outras dermatoses. FAPEMIG, CAPES, SMS/GV.