MODELO PREDITIVO PARA O DIAGNÓSTICO DE ENDOMETRIOSE ATRAVÉS DE MACHINE LEARNING

Endometriose é uma doença ginecológica benigna, caracterizada pela presença de células do endométrio fora do útero. Estima-se que afeta 5-10% das mulheres em idade fértil, e corresponde a 20-30% das mulheres com sub-infertilidade. É uma doença debilitante e de difícil diagnóstico. Estima-se que demore em média 7 anos entre os primeiros sintomas e o fechamento do diagnóstico. Na área de saúde, algoritmos supervisionados de machine learning já foram utilizados como método de ajuda ao diagnóstico em diversas áreas. Para a endometriose, poucos estudos avaliaram sua eficácia. Nosso objetivo é o estabelecimento de um algoritmo que seja um modelo preditivo de auxílio ao diagnóstico de endometriose utilizando machine learning. O foco do algoritmo serão dados clínicos e imagens de ressonância magnética (RM) em um paradigma do tipo ensemble. Será realizado estudo retrospectivo cuja casuística será composta de aproximadamente 3000 pacientes incluídas no Banco de Registro Endometriose, operadas no período de 2008 a 2023. Serão incluídas mulheres submetidas a laparoscopia com confirmação histológica de endometriose (grupo endometriose) ou ausência de doença (grupo controle). O algoritmo será composto de uma versão proprietária da rede neural convolucional do tipo U-Net, e árvores de decisão no paradigma XGBoost. As imagens de RM passaram pela rede neural. A saída da rede neural se junta então aos dados clínicos e esse conjunto será entradas para as árvores de decisão. A saída final é a probabilidade da paciente ter endometriose. O desempenho do algoritmo será medido pela sua acurácia, sensibilidade, especificidade, e área sob a curva ROC (Receiver operating characteristic curve). A solução inova por ser um produto onde os dados são fornecidos pelo profissional de saúde e a conclusão sobre o diagnóstico é mostrada. O SUS terá uma ferramenta que diminui fortemente o tempo de diagnóstico das pacientes, levando a maior eficiência e velocidade no início do tratamento adequado.