Aprendizado contínuo entre hospitais reduz erro de posição da cânula traqueal em radiografias de tórax

Modelo de inteligência artificial retreinado a cada novo hospital errou em média 10,58 mm na distância entre cânula e carina, contra 16,39 mm do modelo original.

Um estudo retrospectivo observacional comparou três formas de implantar um modelo de rede neural convolucional que avalia a posição da cânula traqueal em radiografias de tórax de UTI. Foram analisadas 2.313 radiografias de 23 hospitais em 12 países e 5 continentes, com um hospital reservado para validação externa. O erro médio entre a ponta da cânula e a carina foi de 10,58 mm com aprendizado contínuo entre hospitais, 12,49 mm com ajuste fino apenas no hospital de implantação e 16,39 mm com o modelo original. O aprendizado contínuo superou o modelo original em todos os hospitais e o ajuste fino local em 21 dos 22 hospitais.

Contexto

Modelos de inteligência artificial médica costumam perder desempenho quando são levados a novos hospitais, apesar de bons resultados na fase de desenvolvimento. Isso cria a necessidade de estratégias de adaptação que preservem a privacidade institucional. O aprendizado contínuo, ou seja, o retreinamento repetido do modelo a cada novo hospital onde ele é implantado, pode melhorar o desempenho durante e após a implantação. O estudo foi desenhado para testar se essa abordagem funcionaria em cenários clínicos diversos sem exigir troca de dados entre hospitais nem infraestrutura computacional complexa.

Como foi feito

Estudo retrospectivo com um modelo de rede neural convolucional para avaliação de cânula traqueal, comparando três estratégias de implantação: modelo original, ajuste fino específico do hospital e aprendizado contínuo entre hospitais. A base reuniu 2.313 radiografias de tórax de UTI de 23 hospitais em 12 países e 5 continentes, com um hospital mantido fora para validação externa. Participaram adultos (18 anos ou mais) com cânula traqueal posicionada em 2021, ou antes disso quando o hospital tinha poucos casos no ano, identificados por buscas padronizadas por palavras-chave nos sistemas hospitalares e verificados por laudos de radiologia quando disponíveis. Cada hospital contribuiu com cerca de 100 radiografias anteroposteriores, das quais 50 foram usadas para treinamento, além de laudos e metadados desidentificados. Cada imagem foi pré-processada pelo hospital de origem para remover elementos identificáveis e revisada e anotada de forma independente por dois radiologistas.

O que encontraram

Os modelos com aprendizado contínuo tiveram erro médio entre cânula e carina de 10,58 mm (desvio padrão de 12,98 mm), menor do que os 12,49 mm (desvio padrão de 15,37 mm) dos modelos ajustados apenas no hospital de implantação e do que os 16,39 mm (desvio padrão de 21,56 mm) do modelo original. O aprendizado contínuo superou o modelo original em todos os hospitais avaliados. Também superou os modelos com ajuste fino local em 21 dos 22 hospitais. Os autores destacam que esse ganho foi obtido com apenas 50 pontos de treinamento por hospital.

Limitações

Trata-se de estudo retrospectivo, com dados de radiografias de adultos e sem grupo prospectivo de validação clínica. O texto disponível é apenas o resumo, que não detalha o seguimento, o desempenho por subgrupo de pacientes nem os critérios de anotação além da revisão por dois radiologistas. O desfecho medido é o erro de distância entre cânula e carina, uma métrica de imagem, e não um desfecho clínico como complicações da cânula ou tempo de ventilação.

Para o especialista

Para quem avalia posição de cânula traqueal em radiografias, o estudo sugere que o retreinamento contínuo a cada novo hospital, com apenas 50 imagens locais, pode reduzir o erro de medida em relação ao modelo original e ao ajuste fino restrito ao próprio hospital, sem troca de dados entre instituições. O desenho retrospectivo e a métrica de erro de imagem limitam a conclusão a desempenho do modelo, sem demonstrar benefício clínico direto.

Referência

Chen E, Saenz A, Banerjee O et al.. International Retrospective Observational Study of Continual Learning for AI on Endotracheal Tube Placement from Chest Radiographs. NEJM AI 2026.

DOI: 10.1056/aioa2500522 · PubMed: 42932524

Acesso: o artigo completo é pago na editora. Autores costumam enviar uma cópia a quem pede pelo e-mail de correspondência indicado no artigo.

Matéria escrita pelo Fôlego a partir do resumo publicado.