THE USE OF ARTIFICIAL INTELLIGENCE AS A MACHINE LEARNING TOOL TO HELP DETECT AND CLASSIFY BURNS IN MEDICAL IMAGES: SUPPORT FOR CLINICAL DECISION-MAKING
REGISTRO DOI: 10.69849/revistaft/th102412240965
Bruna Emanoeli de Souza [1]
Gustavo Henrique Gonçalo do Nascimento [1]
Andre dos Santos Pinto [2]
Jeferson Cerqueira Dias [3]
Marcos Henrique Silva Mesquita [4]
Resumo
A inteligência artificial é uma tecnologia capaz de diagnosticar e classificar queimaduras a partir de imagens médicas, esta ferramenta pode melhorar na tomada de decisões clínicas que atualmente é realizada de forma subjetiva baseado em inspeção visual e palpação. Este artigo tem por objetivo principal de estudo, identificar evidências científicas disponíveis na literatura sobre os tipos de lesões térmicas e testar uma ferramenta intuitiva de aprendizagem de máquina. A metodologia utilizada se baseia na coleta de artigos para definição de subgrupos de lesões com base nas características etiológicas de cada uma, obtenção de um banco de imagens de queimaduras e a utilização de uma plataforma existente dotada de aprendizado de máquina para identificação dessas queimaduras. Os resultados foram satisfatórios e demonstraram que a ferramenta foi capaz de realizar tal função, o aumento do banco de imagens pôde contribuir significantemente na classificação das queimaduras e na diminuição de ambiguidades em sua classificação. Em sua conclusão, foi evidenciado que a ferramenta testada continuará a ser desenvolvida e aprimorada, e que a mesma pode ter um papel crucial no diagnóstico de pacientes em regiões com limitação de recursos, diminuindo a sobrecarga dos profissionais em questão e permitindo uma concentração maior em casos de atenção emergencial.
Palavras-chave: Queimaduras. Avaliação Clínica. Intervenção Terapêutica. Inteligência Artificial. Teachable Machine
1 INTRODUÇÃO
De acordo com o Ministério da Saúde, todos os anos, cerca de um milhão de queimaduras ocorrem no Brasil, esses acidentes foram responsáveis pela morte de quase 20 mil pessoas entre os anos de 2015 a 2020, mais da metade (53,3%) ocorreram por queimaduras térmicas e 46,1% por queimaduras elétricas. Para Schiavon (2014), a reabilitação dos pacientes queimados é influenciada por fatores físicos, como alterações no corpo e movimento, estéticos, relacionados à visibilidade das cicatrizes, tal como aceitação comunitária e mentais, que envolvem autopercepção pós-lesão. É fundamental o diagnóstico preciso de lesões teciduais causadas por calor para garantir intervenções terapêuticas efetivas e mitigar as complicações ligadas a essas lesões.
Um estudo realizado durante os anos de 2018 a 2022, na Unidade de Tratamento de Queimados (UTQ) em Catanduva/São Paulo, mostrou fortes indícios de uma crescente demanda para formas de diagnósticos mais sólidas no tratamento de pacientes queimados (Ferrari, 2023). São muitos os parâmetros a serem considerados na avaliação das queimaduras da vítima, como a presença e concomitância de doenças pré-existentes, inalação de fumaça, faixa etária, localização e a extensão, além da profundidade da lesão (Vale ECS, 2005). O cuidado dos profissionais da saúde aos pacientes queimados no atendimento pré-hospitalar, ainda é um dos maiores desafios para o setor da saúde. Em alguns casos, as sequelas psicológicas, estéticas e funcionais causadas pela queimadura, pode levar ao afastamento da vítima de suas atividades que após a lesão, se vê excluído da convivência social (Schiavon, 2014).
A insuficiência de dados epidemiológicos direcionados a campanhas de prevenção, linhas de cuidado desestruturadas, profissionais do atendimento inicial na emergência sem treinamento qualificado ou conhecimento do protocolo básico, somado à falta de acesso amplo à população, podem ser elencados como fatores contribuintes para desfechos desfavoráveis nos países de baixa ou média renda (Potokar, 2020).
Pan (2018) afirma que o diagnóstico de lesões oriundas de calor é historicamente fundamentado em inspeção visual e palpação, métodos que apesar de funcionais, possuem menos objetividade e variam de abordagem de acordo com os profissionais, o que pode levar
a resultados não conclusivos, que afetam o tratamento do paciente. Castro (2018) apresenta uma visão semelhante, afirmando que o patologista ao avaliar visualmente o tecido afetado está sujeito ao erro por diversos motivos, principalmente devido a urgência em definir o diagnóstico. Esse procedimento, se não realizado de forma correta e precisa, pode aumentar o risco de infecção, retardar a cicatrização, aumentar o período da internação hospitalar e trazer prejuízo estético ao paciente. O diagnóstico da profundidade das queimaduras é dificultado devido às mudanças que ocorrem no tecido após a lesão térmica, as queimaduras podem evoluir de espessura parcial para espessura total (Garcia, 2011). Essa variabilidade pode resultar em decisões de tratamento impróprias, e isso pode aumentar o risco de complicações como infecções e cicatrizes permanentes (Ferrari, 2023).
A implementação de tecnologias de detecção de queimaduras se apresenta como uma opção promissora para diminuir os erros e análise subjetivas. No estudo Da Silva (2020) fica comprovado que as inovações e melhorias nas abordagens clínicas, principalmente no que diz respeito ao aperfeiçoamento de técnicas cirúrgicas e cuidados intensivos nas sequelas pós-queimaduras representam um salto em direção a novos protocolos e tecnologias para auxílio ao diagnóstico e tratamento de lesões térmicas.
Na visão de Lobo (2017), após a ascensão dos computadores, a implementação da Inteligência Artificial (IA) para auxílio na resolução de questões médicas tem se popularizado. Isto se dá seja pela adoção de sistemas de apoio à decisão clínica, seja pelo uso integrado de novas tecnologias, incluindo as tecnologias vestíveis/corporais (wearable devices), ou pelo armazenamento de grandes volumes de dados de saúde de pacientes e da população.
Nos últimos anos, a capacidade de processamento e armazenamento de dados têm aumentado exponencialmente, criando uma condição chamada big data. Os algoritmos da AI criam um modelo de processamento que, uma vez em funcionamento self learning, tendem a se aperfeiçoar e propor hipóteses diagnósticas cada vez mais precisas. Assim, as tecnologias de inovação não apenas ajudariam no acerto do diagnóstico, elas também melhorariam as decisões da equipe médica, resultando em melhores desfechos para os pacientes vítimas de queimaduras.
1.1 Objetivos de estudo
O propósito principal deste trabalho foi identificar evidências científicas disponíveis na literatura sobre os tipos de lesões térmicas e testar uma ferramenta intuitiva de aprendizagem de máquina para identificar os tipos de queimaduras através de imagens.
1.1.2 Objetivos Específicos
- Realizar uma revisão bibliográfica para definir os subgrupos das lesões térmicas.
- Levantar um banco de imagens dos tipos de queimaduras para simulação.
- Testar uma ferramenta de aprendizagem de máquina para identificar os tipos de queimaduras.
2 FUNDAMENTAÇÃO TEÓRICA.
2.1 Queimaduras
Segundo Castro (2018), queimaduras são consideradas uma das lesões corpóreas mais traumáticas a acometerem a pele. O processo de dor, danos estruturais e sua recuperação são intensos e dependentes dos níveis da lesão. O tempo de hospitalização e recuperação é comumente prolongado como resultado do reparo tecidual. A Organização Mundial da Saúde (OMS) define queimaduras como lesões por temperatura devido a objetos quentes, gás, fogo, produtos químicos, eletricidade, atrito e radiação, sendo responsável pela morte de quase 300 mil pessoas no mundo.
Atualmente, o Custo Total Infligido no órgão de Saúde Pública (SUS) corresponde a um valor maior do que 55 milhões de reais. No caso de cicatrização de queimaduras, a avaliação precisa do dano no tecido da pele é fator crucial na determinação da capacidade regenerativa. Quando a injúria térmica ocorre, o potencial de infecções microbianas aumenta e pode prejudicar o desenvolvimento da cura.
2.1.1 Pele
Segundo Bernardo (2019), a pele é o maior órgão do corpo humano e representa cerca de 16% do peso corporal. Sua principal função é proteger o sistema interno e isolar-se do ambiente externo. Mudanças no corpo podem ser causadas por agentes físicos, drogas e patógenos. Por exemplo, o calor pode causar alterações na fisiologia da pele devido aos danos causados pela variação de temperatura, fazendo com que a vítima perca fluidos corporais, danifique os tecidos da pele e retarde a cicatrização afirma Castro (2018). O corpo consiste em três camadas: epiderme, derme e hipoderme. A primeira camada da pele é a epiderme, que possui espessura não vascular de 75 a 150 µm, a espessura das mãos e pés varia entre 0,4 a 0,6 mm e sua principal função é a proteção externa, Bernardo (2019) descreve que está camada é constituída de células epiteliais achatadas sobrepostas que as considerando de dentro para fora, estão dispostas em: germinativa ou basal, espinhosa, granulosa, lúcida e córnea.
Castro (2018) descreve a derme, como a camada intermediária composta por tecido conectivo e que apresenta uma espessura que varia entre 1 e 4 mm. A epiderme se sustenta sobre esse tecido, garantindo resistência mecânica à pele. A camada apresenta subdivisões, a primeira sendo a derme papilar, localizada logo abaixo da epiderme, e derme reticular. A primeira é formada por tecido conjuntivo frouxo, caracterizado pela presença de fibras mais finas e colágeno do tipo III. Já a derme reticular, composta por tecido conjuntivo denso, contém colágeno do tipo I, com fibrilas e fibras mais espessas. Ambas as camadas incluem elementos como fibras elásticas e de reticulina, responsáveis pela elasticidade da pele, além de células como fibroblastos, basófilos, histiócitos e plasmócitos, conforme descrito por Castro e colaboradores. Por fim, a hipoderme é a camada mais profunda sendo composta por tecido adiposo altamente vascularizado. Em complemento a essas informações, Bernardo (2019) afirma que esta camada é considerada um órgão endócrino, e possui as funções de armazenar reserva energética, para proteger contra impactos, formar uma manta térmica e modelar o corpo.
2.2 Classificação e Diagnóstico
Levando em consideração esses fatores, Neto (2023) descreve a importância de destacar que as queimaduras são divididas quanto ao grau da lesão. Sendo as queimaduras de primeiro grau as mais brandas, prejudicando apenas as camadas exteriores da epiderme, ou seja, se caracterizam como queimaduras superficiais. Essas lesões são identificadas por vermelhidão, causada pela vasodilatação dos capilares da pele, dor e ausência de bolhas. Já as queimaduras de segundo grau (queimaduras de espessura parcial) são definidas pelo acometimento das duas primeiras camadas da pele, derme e da epiderme. O autor define as lesões como dolorosas, úmidas, vermelhas e com formação de bolhas, que evitam a perda de água e de células dérmicas do corpo. Por fim, as queimaduras de terceiro grau (espessura total) atingem todas as camadas da pele, podendo alcançar a camada subcutânea e podem chegar a atingir o tecido muscular. Contudo, mesmo sendo consideradas lesões mais agressivas, as queimaduras de espessura total são em sua maioria indolores, visto que há destruição dos corpúsculos sensíveis.
De acordo com Mota (2014) não existe uma ferramenta diagnóstica ou um critério capaz de isoladamente definir o diagnóstico de infecção, o que torna este procedimento uma tarefa difícil e desafiadora. Segundo o autor a classificação correta das queimaduras é essencial para orientar o tratamento. Estudos mostram que a avaliação clínica por si só pode não ser suficiente, principalmente nas 72 horas após o trauma.
2.3 Fisiologia, Fisiopatia e Etimologia
De acordo com Vale ECS (2005), as queimaduras prejudicam a cicatrização dos tecidos. A integridade funcional da pele é comprometida ao romper a homeostase hidroeletrolítica, modificando o controle da temperatura interna, flexibilidade e lubrificação da pele. A pele é afetada devido à extensão e profundidade das lesões. Portanto, o grau de comprometimento dessas funções é delimitado justamente por conta da extensão e alcance da queimadura. O autor destaca que no começo a lesão térmica é asséptica, contudo, o tecido necrótico é acometido por bactérias rapidamente, resultando na liquefação e separação da escara da lesão.
Vale ECS (2005) descreve que nas queimaduras superiores a 40% da superfície corporal ocorrem além da inflamação dos cardeais locais, uma resposta sistêmica com presença de febre, circulação sanguínea hiperdinâmica e ritmo metabólico acelerado, além de aumento do catabolismo muscular. O autor cita a perda de calor e de fluidos por evaporação através da ferida como eventos que levam à hipotermia e desequilíbrio hidroeletrolítico.
Porth (2019) e Neto (2023) compartilham da opinião de que a resposta do corpo humano a essas lesões térmicas são sistêmicas, e se dá por meio da ação de mediadores inflamatórios, pois o organismo sofre com diversas alterações, principalmente no sistema respiratório, tendo em vista que os efeitos se estendem pelo sistema cardiovascular, sistema metabólico e pelo sistema imunológico. Os autores afirmam que a síndrome da queimadura grave se define pela presença de queimaduras de segundo ou terceiro grau em grande parte do corpo. A resposta sistêmica à diminuição da contratilidade miocárdica pode ser atribuída à liberação do fator de necrose tumoral, que em conjunto a esta reação, causa o aumento da força capilar, resultando na perda de proteínas e água na parte central. Por fim, os autores afirmam que no fim do processo a taxa metabólica basal aumenta e o sistema imunológico fica comprometido.
Em suas pesquisas Vale ECS (2005) descreve que no cenário brasileiro a causa comum de queimaduras é a chama de fogo pela manipulação de álcool etílico líquido, fato esse que é responsável pela maioria dos casos em adolescentes e pela segunda maior causa em crianças atendidas em hospital de referência em urgência no estado de Minas Gerais. Segundo o Ministério da Saúde (2018), estima-se que cerca de 1.000.000 de pessoas sejam acometidas anualmente por algum tipo de queimadura, e destes, aproximadamente 2.500 evoluem ao óbito por causas diretas ou indiretas. Os riscos envolvendo acidentes com queimaduras diferem em âmbito mundial, com taxa de mortalidade em países pobres 10 vezes maiores comparado a países desenvolvidos.
2.4. Uso de inteligência artificial nas áreas de diagnóstico em saúde
Em meados da década de 50 Alan Turing desenvolveu um teste que buscava descobrir se era possível diferenciar as respostas de certas perguntas de um humano ou de uma máquina, sendo oferecidas as mesmas informações a ambos. O teste, chamado teste de Turing, iniciou uma vertente de conhecimento, a qual se tornou base fundamental para o conceito que posteriormente foi aprimorado, estudado e nomeado “Inteligência Artificial (IA)”. A Inteligência de máquina, vem desde então, sendo aprimorada e sua gama de aplicações possíveis, como na área da saúde e diagnósticos, tem sido aumentada. No cenário atual, Da Silva (2024) diz que é possível dividir em 4 as áreas de conhecimento, onde a IA vem sendo implementada como assistência médica, sendo elas: detecção e diagnóstico assistidos por computador; ferramenta de análise quantitativa e suporte a decisão clínica, todas tendo potencial de alterar significativamente a experiência tanto do profissional da saúde quanto do paciente de maneira positiva.
Segundo os estudos conduzidos por Galvão (2024), o uso de inteligência artificial aplicado à detecção precoce de enfermidades é promissor. Por meio do processamento de grande quantidade de dados dos pacientes, o algoritmo é capaz de detectar padrões sutis específicos de cada paciente, assim como analisar informações que passariam despercebidas aos olhos humanos, mas se levado em consideração em determinadas circunstâncias poderiam ser fatores cruciais na velocidade de um diagnóstico que, em caso tardio, poderia custar uma vida.
Ainda na área da saúde Ortega (2022) diz que outra forma de aplicação da IA permite a personalização de tratamentos médicos baseados nas características individuais dos pacientes. Utilizando dados genéticos, histórico médico e particularidades do estilo de vida, os programas conseguem desenvolver planos de tratamento precisos e adaptados, garantindo máximo aproveitamento enquanto diminui efeitos colaterais possíveis. Apesar dos inúmeros benefícios que a Inteligência Artificial pode nos proporcionar no diagnóstico de condições e na identificação de chagas, é importante ressaltar as questões éticas e morais, as quais sempre estão em volta desse processo. Desde a confiabilidade dos algoritmos que podem ser usados para tomar decisões referentes aos pacientes, até questões relacionadas à privacidade dos usuários e o armazenamento e tratamento de seus dados outrora coletados.
2.5 Machine Learning
Wong (2022) descreve o Aprendizado de Máquina (Machine Learning) como uma das vertentes no uso da Inteligência Artificial, de forma didática a autora afirma que este campo da IA trabalha com a capacitação e auxílio de computadores através da análise de dados para executar tarefas de forma independente. Analisando as considerações da autora é possível afirmar que a parte crucial do Machine Learning é a identificação dos padrões de dados, dessa forma o algoritmo pode tomar decisões embasadas pela análise coletada de dados iniciais, este algoritmo, recebe destaque por ser uma vertente que possibilita a análise de informações sem a necessidade de programação direta de computadores.
Por fim, Fattal (2024) afirma que o aprendizado de máquina é construído com base em dados de treinamento como amostras para fazer análises preditivas e gerar resultados sem ser programado diretamente. O aprendizado de máquina normalmente cria um modelo com base nos dados de simulação que podem ser atestados por um teste inicial com um novo conjunto de dados. Carney (2020) descreve que a versão mais recente da ferramenta Google (Teachable Machine) aceita três tipos principais de entradas dos usuários: imagem, áudio e vídeos, esses dados podem ser copilados via webcam ou upload.
De modo semelhante, Pujari (2022) destaca que a ferramenta pode reconhecer inúmeros objetos da vida cotidiana, não se limitando as experiências dos usuários. Dessa forma, é possível a criação de modelos baseados em objetos aleatórios para análise e a concepção de classes, isso é possível desde que o usuário forneça a entrada de dados e classificações adequadas. Isso ocorre porque o algoritmo de Machine Learning foi construído de forma que não exija muitos dados ou alto poder de computação para criar modelos precisos.
O Teachable Machine (https://teachablemachine.withgoogle.com) do Google é uma ferramenta intuitiva baseada na web para desenvolver modelos de aprendizado de máquina rápidos, simples e abertos a qualquer pessoa, a ferramenta recebe destaque por não exigir que os usuários tenham obrigatoriamente um alto nível de conhecimento em ciências da computação, sendo caracterizado como uma plataforma interativa. Wong (2022) se baseia nos trabalhos de outros autores como Toivonen (2020) e Carney (2020) para atestar a viabilidade da ferramenta na identificação e análise da dados. Toivonen (2020) demonstra a viabilidade e eficiência da ferramenta projetando um aplicativo baseado em aprendizado de máquina com alunos do jardim de infância colegial nos EUA.
3 METODOLOGIA
Por suas características, o estudo pode ser identificado como uma pesquisa aplicada, que tem como objetivo solucionar um problema existente relacionado ao tratamento de queimaduras. A metodologia adota duas abordagens, sendo a dedutiva, que se baseia em conhecimentos já estabelecidos para formulação de hipóteses, e a qualitativa, que busca interpretar os dados obtidos pós os testes realizados. De acordo com Gil (2002), uma investigação tem caráter descritivo e exploratório, essas duas características permitem um entendimento fundamentado sobre as necessidades e os obstáculos que estão presentes na classificação e no diagnóstico das queimaduras, e também relaciona os dados obtidos pelo uso da IA como ferramenta de apoio à área da saúde.
Utilizando um método dedutivo, avalia-se a eficácia da utilização da IA utilizando a aprendizagem automática como ferramenta de apoio ao dimensionamento e detecção de lesões térmicas, com base nos pressupostos e conhecimentos já confirmados na literatura. Esse processo permitiu o desenvolvimento de hipóteses e a realização de pesquisas com base nas evidências colhidas na literatura disponível (GIL, 2002). Ademais, o estudo utilizou uma metodologia qualitativa, com o objetivo de interpretar e entender o fenômeno a partir das informações obtidas por meio da simulação do modelo testado. O propósito do estudo foi exploratório, com o intuito de compreender as necessidades particulares e os obstáculos encontrados na prática clínica, com o intuito de auxiliar no estudo de um instrumento eficiente que aprimore o diagnóstico de lesões teciduais oriundas de calor. (GIL, 2002; MARCONI, 2003).
3.1 Revisão bibliográfica para definição dos subgrupos das lesões térmicas
Para definir os objetivos e os descritores do trabalho, foi utilizada a estratégia
PCC (População, Conceito e Contexto). A População abrange pacientes com queimaduras; o Conceito refere-se ao reconhecimento das lesões térmicas e o Contexto diz respeito à aplicação tecnológica na área da saúde.
Para a seleção dos descritores, foi realizada uma busca preliminar na base de dados National Library of Medicine (PubMed) com o intuito de identificar estudos relacionados à temática e analisar seus descritores. Após essa análise, os descritores foram refinados e verificados no vocabulário controlado Medical Subject Headings (MeSH). A seleção final dos descritores contemplou os seguintes termos:
- Burns;
- Burn patients;
- Clinical evaluation.
- Therapeutic intervention.
- Spectrophotometry.;
- Health education; • Mobile applications e
- I.A.
Além disso, buscas foram conduzidas entre maio e outubro de 2024 nas bases de dados:
- Biblioteca Virtual de Saúde (BVS)
- Portal Scientific Electronic
- Library Online (SCIELO), e
- Literatura Latino-Americana e Caribenha em Ciências da Saúde (LILACS).
Termos empregados na busca:
- Colágeno;
- Software;
- Tratamento;
- Tecnologias
- Queimadura;
- Diagnóstico;
- Lesões Teciduais.
- Curativos Biológicos;
- Material Biocompatível;
Como filtros foram considerados: texto integral publicado nos últimos vinte anos, em português, espanhol e inglês. Para a escolha dos artigos e formação da amostra, utilizou-se o operador lógico AND, fundamentando a estratégia de pesquisa: ((Burns) AND (Modelos) AND (Unidades de Cuidados Intensivos)), ((Burns) AND (Clinical Evaluation) AND (Intensive Care Units)), ((Burns) AND (Software) AND (Technology)). Para a inclusão, foram levados em conta estudos publicados em português ou inglês, com um limite de tempo de 20 anos. Estudos duplicados foram removidos. Ao todo foram encontrados 173 artigos, dentre esses, grande parte foi removida por incompatibilidade teórica, repetição ou indisponibilidade de resumo, por leitura de títulos e resumo ou pela leitura na íntegra, conforme demonstrado na tabela 1:
Tabela 1– Seleção de Artigos – Fonte: Autores 2024 apud Castro 2018
| Seleção de artigos encontrados nas bases nacionais e internacionais nos últimos 20 anos. | |||||
| Base de dados | Identificados | Excluído por repetição ou indisponibilidade de resumo | Excluídos por leitura de títulos e resumo | Excluídos pela leitura na íntegra | Total de artigos mantidos |
| PUBMED | 10 | 03 | 06 | 0 | 01 |
| SCIELO | 30 | 10 | 07 | 06 | 07 |
| BVS4 | 80 | 20 | 35 | 10 | 15 |
| Plataforma Capes | 53 | 04 | 36 | 09 | 04 |
| Total | 173 | 37 | 84 | 25 | 27 |
3.2 Aquisição das imagens dos tipos de queimaduras para o banco de dados
As imagens foram selecionadas a partir de bancos de imagens específicos disponíveis na web, como Google Imagens, FreePik, Bibliomed e Proadi. Durante a busca, priorizou-se imagens que, com base na revisão bibliográfica, permitissem identificar claramente os diferentes níveis de queimaduras ou que, por meio de suas descrições, confirmassem o estágio da ferida. Os termos utilizados para pesquisa nos bancos de imagens foram:
- “Queimaduras de primeiro grau”;
- “Queimaduras de segundo grau”;
- “Queimaduras de terceiro grau”;
- “First degree burn”;
- “Second Degree Burn” e
- “Third Degree Burn”.
Uma vez selecionadas as imagens, os arquivos foram baixados usando o Download All Images Fire Fox para facilitar o processo. Para garantir que as imagens estivessem aptas para uso, todos os arquivos foram filtrados manualmente, seguindo os seguintes critérios: (1) apenas fotos que possuíssem diagnóstico comprovado. (2) fotos com qualidade inferior a 300 pixels foram descartadas. (3) fotos com o fundo complexo foram descartadas. (4) diferentes ângulos das lesões foram escolhidos.
Da mesma forma que Fattal (2024) esses critérios foram utilizados para garantir a qualidade das fotos e consequentemente a precisão do modelo. As imagens selecionadas ao final da triagem foram rotuladas e salvas em uma pasta nomeada Base de dados lesões térmicas, 75% dessas imagens foram usadas para a construção do modelo usando a ferramenta Teachable Machine do Google.
3.3 Teste da ferramenta de aprendizagem de máquina.
Para a avalição do estudo de reconhecimento de lesões térmicas através da plataforma Teachable Machine foi necessário como passo inicial a criação de um modelo de aprendizado supervisionado para queimaduras usando a ferramenta Google. Seguindo os passos de Forchhammer (2022) e Pujari (2022) foi desenvolvido um modelo, apelidado de Modelo A, usando as imagens coletadas no banco de dados.
A ferramenta Google foi acessada usando a conta pessoal dos integrantes do grupo. Três principais classes de lesões que correspondem a Lesões Primeiro Grau, Lesões Segundo Grau e Lesões Terceiro Grau, foram criadas após a categoria “projeto de imagem” ser selecionada na página inicial da plataforma. Além de “projeto de imagem” a plataforma possui dois outros modos de projeto, como mostra a imagem abaixo:
Figura 1 –Interface inicial da plataforma para criação de projetos – Fonte: Teachable Machine, 2024.
Todas as imagens coletadas no banco de dados lesões foram anexadas em uma pasta específica na plataforma do Google Drive. Após isso, todas as imagens referentes aos 75% de aprendizado foram anexadas em suas determinadas classes, o “treinamento” foi selecionado e as entradas foram processadas e analisadas pela ferramenta. As 17 imagens para teste também foram enviadas para o simulador. É importante destacar que essas imagens de teste foram separadas das imagens de aprendizado do modelo e não foram anexadas ao aprendizado da ferramenta. Assim que finalizado a etapa de processamento, o projeto foi nomeado como Modelo Final e salvo para uso posterior, o modelo pode ser visto na imagem abaixo:
Figura 2 – Modelo alimentado com imagens da Base de dados para aprendizado – Fonte: Teachable Machine 2024
Após essa etapa, o modelo foi exportado usando o Tensorflow.js, que é um projeto de navegador, o qual recebe destaque por sua configuração simplificada e a facilidade de ser executado por qualquer smartphone que tenha acesso a internet. Existe ainda, a opção de exportar o modelo para o Tensorflow Lite para manipulação avançada dos dados em linguagem Python. A opção do Tensorflow abre maior acessibilidade a plataformas digitais.
A ferramenta Google Teachable Machine possui uma área com resultados estáticos do modelo, os detalhes podem ser acessados selecionando a opção de “Configurações Avançadas”, dentre as informações disponíveis a ferramenta disponibiliza um gráfico referente a eficácia do modelo e confusão da matriz.
Figura 3 – Análise de Confusão na Matrix – Figura 4 – Perda por Epoch – Fonte: Teachable Machine 2024 Fonte: Teachable Machine 2024
Figura 5 – Exatidão por Epoch – Fonte: Teachable Machine 2024
A média da precisão do modelo foi calculada e registrada nos resultados, além disso a taxa de sucesso também foi registrada. Para esse estudo, a taxa de aceitação foi definida como capacidade do modelo em obter resultados com porcentagens acima de 75%. Esse valor foi definido tendo em base a taxa de aceitação no diagnóstico médico e na faixa aceita por Pujari (2022). O número de resultados que atingiram essa métrica foi registrado e considerado como bem-sucedidos, contudo, para Wong (2022) as conclusöes eram válidas, e ambos afirmam que as porcentagens de precisão aceitáveis variam de acordo com a aplicação e o uso do modelo. Por exemplo, uma precisão de 95% pode não ser suficiente para um algoritmo para detectar possíveis tumores através de imagens médicas.
Para a análise mais profunda do modelo é possível se basear nas informações gráficas, levando-se em conta os resultados de confusão na matriz, perdas por Epoch e perda interna durante a análise. A ferramenta do Google Teachable Machine possui uma série de métricas de desempenho para avaliar o modelo desenvolvido, o grupo optou pela mais básica, se baseando na confusão da matriz, o gráfico demonstra o número real de previsões feitas pelo algoritmo em comparação com o verdadeiro resultado da análise de dados no conjunto de imagens teste. O eixo X refere-se ao pré valor ditado, enquanto o eixo Y se refere ao valor real. Os valores mostram quantos dados estavam errados. A precisão mostra a eficácia do aprendizado do modelo previsto. Por fim, perdas por Epoch se refere ao número de vezes que o modelo foi testado com sucesso. A intercepção indica uma boa exatidão linha entre a precisão real e a precisão do teste.
Ademais, o grupo realizou a impressão de imagens selecionadas referentes a queimaduras de primeiro, segundo e terceiro grau para o teste com a ferramenta através da câmera traseira do celular. As fotos foram reveladas em papel fotografico nas dimensões 10×15, para os testes, foi utilizado o aparelho Android Motorola e após obtidos os resultados da primeira simulação com a câmera do dispositivo, foram efetuadas novas simulações com as mesmas imagens carregadas diretamente na plataforma por meio da opção de selecionar imagens através da biblioteca de fotos do dispositivo.
4 RESULTADOS E DISCUSSÕES
4.1 Revisão bibliográfica para definição dos subgrupos das lesões térmicas
Como resultado da pesquisa bibliográfica efetuada pelo grupo, foi averiguado que a maioria das constatações foram obtidas através de estudos qualitativos, principalmente por entrevistas e estudos de caso. Embora essas abordagens tenham fornecido informações valiosas sobre a caracterização e classificação de queimaduras, o referencial teórico obtido por meio de informações médicas recebeu destaque.
Autores como Vale ECS (2005), Castro (2018), Schiavon (2014) e colaboradores concordam com o modo atual de classificar as lesões térmicas, subdividindo as queimaduras em primeiro, segundo e terceiro grau. Dessa forma, após o levantamento teórico, o grupo organizou as informações encontradas pelos autores referenciados na tabela abaixo, classificando as lesões de acordo com sua profundidade, características especificas e gravidade das queimaduras.
Tabela 2 – Definição Grau Lesões – Fonte: Autores, 2024
| GRAU DA LESÃO | DESCRIÇÃO | FONTE |
| Primeiro Grau | Afetam apenas a camada superficial da epiderme, apresentam vermelhidão, dor e inflamação leve. A regeneração completa ocorre sem cicatrizes. | VALE ECS, 2005; Castro (2018), Research, Society and Development, 2023 |
| Atingem a epiderme e parte da derme, causam bolhas e fortes | VALE ECS, 2005; Castro | |
| Segundo Grau | dores. Podem ser superficiais ou profundas, dependendo do grau de lesão da derme. | (2018), Research, Society and Development, 2023 |
| Terceiro Grau | Afetam todas as camadas da pele, podendo alcançar músculos e ossos. Caracterizam-se por necrose tecidual e necessitam de intervenção cirúrgica (enxerto). | VALE ECS, 2005; Castro (2018), Research, Society and Development, 2023 |
4.2 Aquisição das imagens dos tipos de queimaduras para o banco de dados
Após a fase de levantamento das imagens, procedeu-se à organização e simulação da ferramenta, com base no banco de imagens organizado e apresentado na tabela a seguir:
Tabela 1 – Banco de Imagens – Fonte: Autores, 2024
| Imagens escolhidas para o banco de imagens | |
| Tipo de imagem | Quantidade escolhida |
| Queimaduras 1° grau | 24 |
| Queimaduras 2° grau | 23 |
| Queimaduras 3° grau | 18 |
4.3 Teste da ferramenta de aprendizagem de máquina.
Após a configuração do modelo ferramenta Teachable Machine, foram realizados testes individuais das imagens selecionadas do banco de dados, com o objetivo de avaliar a eficácia do sistema. Os testes foram realizados com imagens fora do grupo de aprendizado, o foco da simulação era testar a ferramenta com imagens que ainda não haviam sido apresentadas a plataforma Google.
Tabela 2 – Quantidade de acertos, – Fonte: Autores, 2024
| Quantidades de acertos dos resultados | ||
| Grau das queimaduras | Quantidade de testes | Quantidade de acertos |
| Queimaduras 1° grau | 10 | 6 |
| Queimaduras 2° grau | 10 | 9 |
| Queimaduras 3° grau | 10 | 8 |
A Tabela 4 evidencia que as queimaduras de 2º grau apresentaram maior índice de acerto, sendo as mais facilmente identificadas, seguidas pelas lesões de 3º grau. Os testes também indicaram que, em algumas imagens, ocorreu um certo nível de sobreposição entre os diferentes graus de queimaduras, o que pode comprometer a precisão na determinação do tipo exato de lesão, dificultando a interpretação dos resultados e da análise, fatos que levam a incerteza da ferramenta no momento do diagnóstico.
Verificou-se uma tendência crescente da taxa de acertos à medida que o banco de imagens foi progressivamente alimentado com um maior número de amostras. Isso sugere que a ampliação do banco de dados desempenha um papel crucial na capacidade do modelo em reconhecer e classificar os diferentes tipos de queimaduras. Ao disponibilizar maior diversidade de imagens, o sistema aprende variações e diferenças mais sutis de cada tipo de queimadura, o que torna a ferramenta mais precisa. Após a simulação, também foi possível avaliar a viabilidade dos padrões configurados no início do modelo, os gráficos apresentados durante o processo metodológico demonstram os dados referente a faixa de análise, Epochs e quadrante analisado por queimaduras. Os resultados obtidos durante as simulações confirmam as informações obtidas durante a primeira etapa de configuração do modelo.
Ademais, o grupo realizou testes de reconhecimento utilizando imagens do banco de dados impressas em papel fotográfico. O objetivo foi testar a ferramenta com a câmera traseira de um dispositivo móvel em comparação com as imagens sendo carregadas diretamente na plataforma Teachable Machine. Os resultados foram incorporados nas discussões sobre influência de fatores externos como (luz, ângulo e qualidade da câmera), contudo, como demonstram os resultados, a ferramenta teve dificuldade com sobreposição de imagens, todavia, ainda obteve uma boa faixa de aproveitamento, como pode ser demonstrado por meio das imagens abaixo:
Por meio dos resultados dos testes, foi identificada uma leve variação na leitura das queimaduras de terceiro grau baseada possivelmente na qualidade das imagens oferecidas, nos níveis de luminosidade oferecidos pelos ambientes, e outros fatores exclusivos às imagens impressas (reflexo da luz no papel, ângulo e etc.) que, embora tenham tido certa influência no resultados desse teste em específico, não seriam questões de maior preocupação quando se tratando de identificação de queimaduras em pacientes reais e nas instalações de saúde onde seriam realizadas as análises, por sua iluminação tipicamente controlada. Contudo, a lesão de segundo grau apresentou maior variabilidade, dificultando o reconhecimento preciso da lesão na simulação com papel fotográfico.
5 CONSIDERAÇÕES FINAIS.
A análise dos resultados indicou que os objetivos estabelecidos foram atingidos. Considerando as dificuldades na obtenção de imagens com confirmação precisa do grau de queimadura, observou-se que a eficácia do modelo foi satisfatória. A partir dos testes realizados, pode-se inferir que a alimentação do banco de imagens com um maior número de amostras tende a melhorar a taxa de acerto e reduzir a indecisão da inteligência artificial, que foi um dos problemas identificados em alguns testes, gerando confusão entre diferentes graus de queimadura. Ao expandir o banco de dados com imagens mais diversas é esperado um resultado mais eficiente, melhorando a precisão da classificação e reduzindo a incoerência nos resultados.
A investigação iniciada por este projeto continuará no futuro com o objetivo de melhorar e adaptar o sistema proposto e, possivelmente, aumentar a sua eficácia através de aplicações móveis e outros meios para facilitar um maior acesso. Os sistemas automatizados, como o modelo apresentado no artigo, podem desempenhar um papel importante na expansão do acesso à imagem diagnóstica e contribuir para reduzir a carga sobre os serviços de saúde, com isso, os profissionais da saúde poderão se concentrar nos casos mais críticos e prestar cuidados adequados para cada paciente além de otimizar o tempo de espera da prestação dos serviços.
Ainda no campo de trabalhos futuros, em relação ao banco de imagens existe perspectiva futura de melhorias, visando buscar por possíveis parcerias com instituições de saúde para fornecimento de imagens de queimaduras já constatadas em seu grau de complexidade para ampliação e melhoria da assertividade. Com imagens atestadas e de fontes mais próximas da realidade, a tendência é que o modelo seja aprimorado com mais imagens em cada classe.
REFERÊNCIAS
BERNARDO, Ana Flávia Cunha; SANTOS, Kamila dos; SILVA, Débora Parreiras da. Pele: alterações anatômicas e fisiológicas do nascimento à maturidade. Revista Saúde em foco, v. 1, n. 11, p. 1221-1233, 2019.
CARNEY M, Webster B, Alvarado I, et al. Teachable machine: approachable web-based tool for exploring machine learning classification. In: Extended Abstracts of the 2020 CHI Conference on Human Factors in Computing Systems. 2020 Apr. p. 1–8
CASTRO, Pedro Arthur Augusto de. Espectroscopia de absorção no infravermelho em pele queimada: avaliação de potenciais biomarcadores para o reparo tecidual. 2018. Dissertação (Mestrado em Tecnologia Nuclear – Materiais) – Instituto de Pesquisas Energéticas e Nucleares – IPEN- CNEN/SP, São Paulo – SP.
DA SILVA, Ana Karoline Almeida; DE OLIVEIRA, Tatiane Ferreira; LIMA, Francisca Meiriane Pereira. Inovações tecnológicas no tratamento de queimados. Portal do Núcleo dePesquisas e Inovação Tecnológica em Reabilitação Humana. Fortaleza: UFC Inovafisio, 2020.
DA SILVA, Gabriela Gomes; Hugo Paixão da Silva; Mariana Luiza de Acioly Rodrigues. Desafios do uso da inteligência artificial nos diagnósticos de saúde: uma revisão integrativa.Cadernos Ibero-Americanos de Direito Sanitário, 2024.
FATTAL, A. et al. Shape detection of cervical vertebrae growth stage using “No Coding” Deep Learning – Google’s Teachable Machine tool. 2024. Disponível em: http://dx.doi.org/10.21203/rs.3.rs-4993472/v1. Acesso em 07/11/2024.
FERRARI, T. et al. Queimaduras e COVID-19, qual o impacto da pandemia? Perfil epidemiológico de um centro de queimados entre 2018-2022. Revista Brasileira de Cirurgia Plástica, v. 38, n. 3, 2023.
FORCHHAMMER, S.; Abu-Ghazaleh, A.; Metzler, G.; Garbe, C.; Eigentler, T. Development of an Image Analysis-Based Prognosis Score Using Google’s Teachable Machine in Melanoma. Cancers 2022, 14, 2243. https://doi.org/10.3390/ cancers14092243
GALVÃO, Amanda Albuquerque Cursino B.; Romerio Alves Soares; Davi Silva Ramos; Ane Caroline Rodrigues de Oliveira; Lucélia Vital Leite; George da Silva Tenório Cavalcante; Felipe Alves Celestino de Moura; Ana Júlia de Oliveira Cavalcanti; Cristiane Ramos Santos Damaso; Lucilene Mororó Lima Correia; Marcelo Pininga Pessoa de Azevedo; Carlos André Souto Silva; Elison Lins Araújo. O potencial da inteligência artificial no diagnóstico precoce e tratamento personalizado: Avanços e desafios na medicina moderna. Research, Society and Development, v. 13, n 4., e0813445367, 2024
GARCIA AP, POLLO V, SOUZA JA, ARAUJO EJ, FEIJÓ R, PEREIMA MJL. Análise do método clínico no diagnóstico diferencial entre queimaduras de espessura parcial e total. Rev. Bras. Queimaduras, 2011.
GIL, A. C. Métodos e técnicas de pesquisa social. 5.ed. São Paulo: Atlas, 2002
LOBO, L. C. Inteligência Artificial e Medicina. Revista Brasileira de Educação Médica, v. 41, n. 2, p. 185–193, 2017.
MARCONI, M. A; LAKATOS, E. V..azzi Metodologia científica. São Paulo: Editora Atlas, 2003.
MINISTÉRIO DA SAÚDE. Secretaria de Vigilância em Saúde. (2022). Monitoramento dos casos de arboviroses até a semana epidemiológica 50 de 2022. Boletim Epidemiológico, 53(47). Brasília: Ministério da Saúde. Disponível em: www.saude.gov.br/svs. Acesso em 01/10/2024.
MOTA WM, Araújo CAL, Oliveira AMRR, Gomez DS, Silva Junior JM, Gemperli R. Critérios diagnósticos de infecção no paciente queimado. Ver Bras Queimaduras2014;13(3):130-135
NETO RODRIGUES, F. M. et al. Os diferentes tipos de queimadura e seus respectivos tratamentos. Research, Society and Development, v. 12, n. 8, p. e3012842827, 2023.
ORGANIZAÇÃO MUNDIAL DA SAÚDE. Burns. Disponível em: https://www.who.int/news-room/fact-sheets/detail/burns.Organização Mundial de Saúde (OMS). Relatório Mundial de Violência e Saúde. Genebra:OMS, 2002.
ORTEGA, Dioselina Lanzagorta; Diego L. Carrillo-Pérez; Raúl Carrillo-Esper. Inteligência artificial na medicina: Presente e futuro. Gaceta Médica de México, 2022.
PAN, R.; SILVA, M. T. R.; FIDELIS, T. L. N.; VILELA, L. S.; SILVEIRA-MONTEIRO, C. A.; NASCIMENTO, L. C. Conhecimento de profissionais de saúde acerca do atendimento inicial intra-hospitalar ao paciente vítima de queimaduras. Rev. Gaúcha Enferm., v. 39, e2017 0279, 2018. DOI: https://doi.org/10.1590/1983-1447.2018.2017-0279. Acesso em 01/10/2024.
PORTH, C. M.; GROSSMAN, S. C. Fisiopatologia. 9. ed. Rio de Janeiro: Guanabara Koogan, 2019.
POTOKAR, T.; BENDELL, R.; CHAMANIA, S.; FALDER, S.; NNABUKO, R.; PRICE, P. E. A comprehensive, integrated approach to quality improvement and capacity building in burn care and prevention in low and middle-income countries: An overview. Burns, v. 46, n.8, p. 1756-1767, dez. 2020.
PUJARI, Yogendra Prasad; PRASAD, Dumpa; MALLESWARI, Naga; GUPTA, Neha. Implementation of machine learning based Google Teachable Machine in early childhood education. International Journal of Early Childhood Special Education, v. 14, p. 4132-4138, 2022.
SCHIAVON, V. D. C. et al. Reabilitação e retorno ao trabalho após queimaduras ocupacionais. Revista De Enfermagem Do Centro-Oeste Mineiro, 2014. DOI: https://doi.org/10.19175/recom.v0i0.495. Acesso em 05/10/2024.
TOIVONEN T, Jormanainen I, Kahila J, et al. Co-designing machine learning apps in k–12 with primary school chil-dren. In: 2020 IEEE 20th International Conference on Advanced Learning Technologies (ICALT). IEEE; 2020 jul. p. 308–310
VALE, Everton Carlos Siviero do. Primeiro atendimento em queimaduras: a abordagem do dermatologista. Universidade Federal de Minas Gerais, Departamento de Clínica Médica, Minas Gerais, Brasil. Universidade de Munique, Alemanha. Jornal Brasileiro de Dermatologia, [S.l.], v. 80, n. 1, p. 31-38, 2005. DOI: 10.1590/S0365-05962005000100003.
WONG, J. J. N.; FADZLY, N. Development of species recognition models using Google teachable machine on shorebirds and waterbirds. Journal of Taibah University for Science:JTUSCI, v. 16, n. 1, p. 1096–1111, 2022.
1 Graduanda em Tecnologia em Sistemas Biomédicos pela Faculdade de Tecnologia FATEC Osasco E-mail: bruna.souza87@fatec.sp.gov.br
[1] Graduando em Tecnologia em Sistemas Biomédicos pela Faculdade de Tecnologia FATEC Osasco E-mail: gustavo.nascimento33@fatec.sp.gov.br
[2] Graduando em Tecnologia em Sistemas Biomédicos pela Faculdade de Tecnologia FATEC Osasco E-mail: andre.santos245@fatec.sp.gov.br
[3] Docente do Curso Superior de Tecnologia em Sistemas Biomédicos da Faculdade de Tecnologia FATEC Osasco E-mail: jeferson.dias3@fatec.sp.gov.br
[4] Docente do Curso Superior de Tecnologia em Sistemas Biomédicos da Faculdade de Tecnologia FATEC Osasco E-mail: marcos.mesquita01@fatec.sp.gov.br Internal