Simple Science

Ciência de ponta explicada de forma simples

# Ciências da saúde# Salute pubblica e globale

A Ligação Entre Diabetes e Tuberculose: Uma Preocupação de Saúde Crescente

Diabetes aumenta o risco de tuberculose, mostrando que precisamos urgentemente de melhores métodos de triagem.

Emoru Daniel Reagan, Lucy Elauteri Mrema, Nyanda Elias Ntinginya, Irene Andia Biraro, Reinout van Crevel, Julia A Critchley

― 9 min ler


Diabetes e tuberculose:Diabetes e tuberculose:Uma dupla perigosapacientes diabéticos.diagnóstico melhor de tuberculose emFerramentas de IA prometem um
Índice

A Tuberculose (TB) é um inimigo de longa data no mundo da saúde. Essa doença contagiosa, que geralmente afeta os pulmões, ainda é uma grande preocupação de saúde pública pelo mundo afora. Mas espera aí-tem uma reviravolta! Com o aumento do Diabetes mellitus (DM), a história fica mais complicada. Pessoas com diabetes têm um risco maior de desenvolver TB ativa, criando uma situação de dois problemas para muitos. Vamos explorar como essas duas condições estão ligadas e o que está sendo feito a respeito.

A Conexão com o Diabetes

O diabetes, principalmente o Tipo 2, agora é um problema de saúde comum, afetando milhões no mundo todo. Quando a Federação Internacional de Diabetes anunciou que havia 537 milhões de adultos com diabetes em 2021, parecia que tinham mais smartphones do que humanos! As projeções estimam que esse número vai subir para 783 milhões até 2045. É uma porção de novos amigos em potencial para a TB.

Pesquisas mostram que indivíduos com diabetes têm cerca de três vezes mais risco de desenvolver TB em comparação com quem não tem diabetes. Por quê? Bem, o diabetes enfraquece o sistema imunológico, dificultando a defesa do corpo contra infecções, incluindo as bactérias que causam a TB.

Triagem para TB: Um Passo Necessário

A Organização Mundial da Saúde (OMS) recomenda a triagem para TB em grupos de alto risco, incluindo indivíduos com diabetes. Isso é especialmente verdadeiro em países onde a TB ainda é comum. A ideia é simples: pegar a TB cedo para tratá-la de forma eficaz e impedir sua propagação. Embora haja diretrizes, a realidade no chão pode ser um pouco diferente. Muitas vezes, há recursos limitados para a triagem, tornando difícil implementar essas recomendações.

A União Internacional Contra a Tuberculose e Doenças Pulmonares também sugere que os pacientes com diabetes recém-diagnosticados sejam triados para TB. Porém, mesmo com essas recomendações, questões práticas como falta de suprimentos para testes podem atrapalhar. É como tentar fazer um bolo sem farinha; não dá certo.

Chegada da Inteligência Artificial

À medida que avançamos para a era digital, a inteligência artificial (IA) está entrando em cena na área da saúde como um super-herói pronto para salvar o dia. A IA está causando um rebuliço na detecção e gestão de problemas de saúde, incluindo complicações relacionadas ao diabetes e à TB. Pense nisso como ter um assistente muito inteligente que pode analisar muitos dados rapidamente!

Para a gestão do diabetes, a IA está sendo usada para detectar complicações através de sistemas computadorizados. No Reino Unido, houve uma implementação bem-sucedida de tecnologia de IA para triagem de problemas oculares relacionados ao diabetes. Da mesma forma, ferramentas como CAD4TB, qXR e LUNIT INSIGHT CXR surgiram para ajudar a analisar radiografias de tórax (CXR) em busca de possíveis problemas de TB. É como ter um amigo muito detalhista que consegue ver problemas a quilômetros de distância!

Essas ferramentas de IA avaliam imagens de raios-X usando métodos complexos de aprendizado de máquina, atribuindo uma pontuação de anormalidade que indica quão provável é que existam problemas relacionados à TB. As pontuações geralmente são dadas em uma escala de 0 a 100-números maiores soam como um alerta, avisando os médicos que uma investigação mais aprofundada pode ser necessária.

Um Aceno Global de Aprovação

A eficácia dessas ferramentas baseadas em IA chamou a atenção das autoridades de saúde globais. Tanto o CAD4TB quanto o qXR receberam aprovação da OMS para uso na triagem da TB, especificamente para pessoas com 15 anos ou mais. Essa aprovação é uma grande coisa! Significa que essas ferramentas foram consideradas confiáveis o suficiente para impactar significativamente as práticas de triagem de TB em todo o mundo.

Mas Espera-Há uma Lacuna

Apesar de todos os avanços em tecnologia e práticas de triagem, ainda há uma grande lacuna no conhecimento sobre quão bem essas ferramentas de IA funcionam especificamente para pessoas com diabetes. A maioria dos estudos focou em outros grupos de alto risco, como aqueles que vivem com HIV. Há uma necessidade de mais pesquisas para ver se a detecção assistida por computador (CAD) funciona de forma diferente para pacientes diabéticos.

Sabe, pacientes com diabetes podem enfrentar desafios de saúde únicos. Eles também podem ter outras condições, como obesidade ou doenças cardíacas, que podem mudar a aparência das suas radiografias. Além disso, pacientes com TB e diabetes tendem a ser mais velhos, trazendo complicações de saúde adicionais para a mistura.

Liberar todo o potencial das ferramentas de triagem baseadas em IA para esse grupo específico é crucial, considerando o risco elevado de TB em pessoas com diabetes. É hora de colocar nossos chapéus de detetive e investigar quão precisas essas tecnologias podem ser para essa demografia de alto risco.

A Busca por Evidências

Em uma busca para coletar mais informações sobre a precisão do CAD para a detecção de TB ativa em indivíduos com diabetes, os pesquisadores realizaram uma revisão sistemática. Eles queriam reunir o máximo de informações possível para ajudar a preencher essa lacuna de conhecimento.

Para isso, buscaram estudos publicados entre janeiro de 2010 e maio de 2024 em várias bases de dados. Examinaram as características dos participantes, os detalhes de como o diabetes foi diagnosticado e o tipo de tecnologia CAD usada. Foi como juntar peças de um grande quebra-cabeça para ver a imagem maior.

O Que Eles Encontraram?

Quando os pesquisadores finalmente analisaram os estudos, encontraram apenas cinco que atendiam aos seus critérios de inclusão. Esses estudos envolveram um total de 1.879 indivíduos com diabetes, dos quais 391 foram recém-diagnosticados com TB. Todos os estudos usaram métodos e configurações diferentes, desde clínicas ambulatoriais até triagens móveis na comunidade.

Os estudos variaram nas características do diabetes que relataram. Alguns forneceram informações detalhadas sobre o tipo de diabetes, enquanto outros nem se deram ao trabalho de mencionar. Foi como ir a uma festa de jantar onde alguns convidados compartilharam suas receitas favoritas, mas outros só ficaram de pé bebendo.

Os Resultados: Promissores, mas Variáveis

Os pesquisadores descobriram que a precisão dos sistemas CAD para diagnosticar TB variou bastante. A sensibilidade-capacidade de identificar corretamente aqueles com TB-variou de 73% a 100%. A especificidade-capacidade de identificar corretamente aqueles sem TB-variou de 60% a 88%. Isso significa que, enquanto alguns sistemas de IA se saíram muito bem, outros mostraram resultados mistos.

Curiosamente, um estudo usou duas ferramentas CAD diferentes no mesmo grupo e encontrou resultados idênticos. Isso é um bom lembrete de que a consistência na pesquisa pode fazer uma grande diferença, e pode haver algo especial sobre essas ferramentas em particular!

Os estudos também relataram diferentes limites para o desempenho do CAD, então os resultados foram difíceis de comparar. Quando os pesquisadores plotaram os dados, viram uma ampla gama de desempenho, indicando que muitos fatores influenciaram o quão bem os sistemas CAD funcionaram.

A Imagem Maior sobre a Qualidade Metodológica

Os pesquisadores avaliaram a qualidade dos estudos que incluiram na revisão. A maioria dos estudos teve boas pontuações em métricas de qualidade, mas alguns levantaram sobrancelhas devido ao fluxo de pacientes pouco claro ou dados faltantes. Um estudo até teve muitos arquivos de pacientes deletados devido a um acidente infeliz. Nossa! Parece que até na pesquisa, as coisas podem sair do controle.

Reflexões Finais sobre CAD e Diabetes

A revisão destacou que, embora os sistemas de detecção assistida por computador tenham potencial para melhorar a triagem da TB, especialmente em pessoas com diabetes, ainda há muito trabalho a ser feito. O número limitado de estudos e a concentração geográfica em alguns poucos países asiáticos ressaltam a necessidade de pesquisas mais extensas.

É crucial que estudos futuros comparem diretamente o desempenho do CAD entre pessoas com diabetes e aquelas sem. Isso ajudará a esclarecer quão eficazes essas ferramentas realmente são no diagnóstico de TB em diferentes populações.

Além disso, os pesquisadores devem buscar padronizar os métodos de referência e os limites do CAD para facilitar as comparações. Explorar a relação custo-benefício dessas ferramentas em diferentes configurações também pode fornecer insights valiosos.

Pesquisas qualitativas que investiguem as perspectivas de pacientes e prestadores de serviços sobre o uso do CAD poderiam ajudar a identificar possíveis barreiras e informar estratégias para promover a adoção.

Em Conclusão: Um Raio de Esperança

Em resumo, enquanto os sistemas CAD oferecem um raio de esperança para melhorar a triagem da TB entre pessoas com diabetes, está claro que ainda há muito mais para aprender. À medida que a tecnologia avança, há potencial para que essas ferramentas se tornem pilares na gestão conjunta da TB e do diabetes.

Então, se você algum dia se sentir sobrecarregado com todas essas informações de saúde, só lembre-se: estamos todos juntos nessa, lutando contra infecções como a TB, enquanto navegamos pelas complexidades do diabetes. E quem sabe? Talvez um dia tenhamos sistemas de IA que não apenas detectem, mas também cozinhem receitas saudáveis para diabéticos! Vamos segurar esse sonho!

Fonte original

Título: ACCURACY OF COMPUTER-ASSISTED DETECTION IN SCREENING PEOPLE WITH DIABETES MELLITUS FOR ACTIVE TUBERCULOSIS: A SYSTEMATIC REVIEW

Resumo: ObjectivesDiabetes mellitus (DM) significantly increases the risk of tuberculosis (TB), and active TB screening of people with DM has been advocated. This systematic review aimed to evaluate the accuracy of computer-assisted detection (CAD) for identifying pulmonary TB among people living with DM. MethodsMedline, Embase, Scopus, Global Health and Web of science were searched from January 2010 to May 2024 supplemented with grey literature (Conference abstracts, Trial registries, MedRxiv.org). Studies evaluating CAD accuracy for identifying TB in populations living with diabetes were included. Two researchers independently assessed titles, abstracts, full texts, extracted data and assessed the risk of bias. Due to heterogeneity and a limited number of studies, a descriptive analysis was performed instead of statistical pooling. Forest plot and Summary Receiver Operating Curves (SROC) were generated using RevMan 5.4. ResultsFive eligible studies, all conducted in Asia between 2013 and 2023 were identified, including a total of 1879 individuals of whom 391 were diagnosed with TB. Four different Computer Assisted Detection (CAD) software algorithms were used. Sensitivities ranged from 0.73 (95%CI: 0.61-0.83) to 1.00 (95%CI:0.59-1.00), while specificities ranged from 0.60 (95%CI:0.53-0.67) to 0.88 (95%CI: 0.84-0.91). Area Under the receiver Operating Curve (AUC) values varied from 0.7 (95%CI: 0.68-0.75) to 0.9(95%CI: 0.91-0.96). False positive rates ranged from 0.24% to 30.5%, while false negative rates were 0-3.2%. The risk of bias assessment of the five studies was generally good to excellent. ConclusionsCAD tools show promise in screening people living with diabetes for active TB, but data are scarce, and performance varies across settings.

Autores: Emoru Daniel Reagan, Lucy Elauteri Mrema, Nyanda Elias Ntinginya, Irene Andia Biraro, Reinout van Crevel, Julia A Critchley

Última atualização: Dec 11, 2024

Idioma: English

Fonte URL: https://www.medrxiv.org/content/10.1101/2024.12.10.24318764

Fonte PDF: https://www.medrxiv.org/content/10.1101/2024.12.10.24318764.full.pdf

Licença: https://creativecommons.org/licenses/by/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao medrxiv pela utilização da sua interoperabilidade de acesso aberto.

Mais de autores

Artigos semelhantes