Avaliando os Riscos à Saúde da Radiação Ionizante em Baixa Dose

A Radiação Ionizante (RI) é um tipo de energia que consegue tirar elétrons dos átomos, formando íons. Esse tipo de radiação inclui tanto os tipos eletromagnéticos, como raios-X e raios gama, quanto os tipos de partículas, como partículas alfa, elétrons e prótons. A galera costuma estar exposta à radiação ionizante em vários lugares, que podem ser fontes naturais ou feitas pelo homem. As fontes naturais incluem o ar que respiramos, raios cósmicos do espaço e até mesmo a comida e a água. Já as fontes feitas pelo homem podem variar, afetando alguns grupos de pessoas mais do que outros. Por exemplo, trabalhadores da saúde, funcionários da indústria nuclear, pessoas que moram em áreas poluídas e pacientes que fazem raios-X ou tomografias estão em maior risco de exposição.

Nos Estados Unidos, procedimentos médicos como tomografias e raios-X são as principais fontes de radiação artificial. O radônio, um gás natural que pode se acumular em casas, também contribui para a exposição. A média de radiação que uma pessoa nos EUA recebe anualmente é de cerca de 6,3 milisieverts (mSv), que dobrou nas últimas duas décadas. É importante avaliar os Riscos à Saúde relacionados a doses baixas de radiação, que são aquelas abaixo de 100 miligrays (mGy). Embora saibamos que doses altas de radiação ionizante podem causar danos, os efeitos de doses baixas ainda são debatidos.

Os pesquisadores costumam usar estudos epidemiológicos para avaliar os efeitos da radiação na saúde humana. Esses estudos geralmente comparam taxas de câncer entre pessoas expostas à radiação e aquelas que não foram. Eles analisam diferentes formas de medir o risco, incluindo o Risco Relativo Excessivo (ERR) e o Risco Absoluto Excessivo (EAR). Apesar de muitos estudos, ainda é complicado interpretar os riscos à saúde de exposições a radiações de baixo nível.

Existem cinco modelos principais que os cientistas usam para entender os efeitos da radiação de baixa dose. Esses modelos são: o modelo linear-sem-limiar, o modelo de limiar, o modelo de supra-linearidade, o modelo linear-quadrático e o modelo de hormese. Cada modelo tem seus defensores, e não há consenso entre os cientistas sobre qual é o correto. O modelo linear-sem-limiar (LNT) é comumente usado por agências para avaliar o risco da radiação. Ele sugere que qualquer quantidade de radiação pode aumentar o risco de tumores, sem um nível seguro. Por outro lado, o modelo de limiar afirma que quantidades muito baixas de radiação não causam danos. O modelo de supra-linearidade defende que doses pequenas podem ser mais prejudiciais do que o previsto pelo modelo LNT. Já o modelo de hormese sugere que doses muito baixas podem até ter efeitos positivos. O modelo linear-quadrático inclui aspectos tanto de supra-linearidade quanto de hormese.

Pesquisas mostram evidências variadas para esses modelos, com alguns estudos apoiando o modelo LNT, enquanto outros indicam modelos diferentes. Por exemplo, estudos de certas instalações nucleares tendem a favorecer os modelos de limiar e LNT. Outros estudos relacionados a exposições médicas e níveis de radônio fornecem resultados conflitantes. Determinar o modelo correto é crucial, pois influencia decisões de saúde pública e regulamentações.

A maioria dos estudos tem se baseado em métodos estatísticos tradicionais, que podem levar a resultados enviesados dependendo de como os dados são agrupados ou analisados. Para lidar com esses desafios, os pesquisadores introduziram um novo método que usa Redes Neurais Profundas (DNNs) para estimar riscos à saúde.

As redes neurais profundas são modelos computacionais avançados que conseguem aprender padrões complexos dos dados. Elas não se baseiam em fórmulas predefinidas, permitindo que se adaptem a diferentes tipos de relacionamentos nos dados. Essa capacidade torna as DNNs uma ferramenta promissora para avaliar o risco de tumores em doses baixas de radiação.

Neste estudo piloto, a DNN é usada para analisar dados de estudos de expectativa de vida (LSS) para reconstruir a relação dose-resposta em doses baixas. Dados simulados com parâmetros conhecidos e vários modelos dose-resposta foram gerados para testar a precisão da DNN. Os dados do LSS, cobrindo a incidência de câncer de 1958 a 1998, foram analisados usando uma DNN projetada para prever riscos à saúde com base em diferentes fatores, incluindo a dose de radiação e outras características individuais.

A DNN é composta por várias camadas de nós, cada uma processando dados para encontrar padrões. Treinando a rede com os dados, os pesquisadores podem estimar como diferentes níveis de exposição à radiação se relacionam com a incidência de câncer. O estudo usa vários modelos para entender como a radiação afeta a saúde, incluindo a avaliação do ERR, que mede o risco adicional de câncer pela exposição à radiação.

Diferentes modelos dose-resposta indicam como o risco de câncer pode mudar com níveis variados de radiação. O modelo de supra-linearidade mostra um risco positivo que diminui à medida que a dose aumenta. O modelo LNT pressupõe um aumento constante no risco sem uma dose segura, enquanto o modelo de limiar indica que não há risco em doses baixas. O modelo linear-quadrático combina efeitos lineares e não lineares, e o modelo de hormese sugere um aumento no risco em doses baixas.

A abordagem da rede neural profunda permitiu que os pesquisadores diferenciassem esses modelos de forma mais eficaz. A DNN apresentou resultados sólidos ao identificar as relações dose-resposta corretas para os dados simulados. Quando aplicada a dados da vida real do grupo LSS, a DNN indicou um modelo quadrático de risco, ao contrário do modelo linear-sem-limiar frequentemente usado. Isso sugere que o modelo LNT pode superestimar os riscos em doses baixas enquanto subestima em doses mais altas.

O uso de DNNs representa um grande avanço na compreensão das relações dose-resposta na exposição à radiação. Essas redes podem descobrir padrões complexos nos dados que métodos tradicionais podem deixar escapar, proporcionando insights valiosos que podem informar decisões e diretrizes de saúde pública.

Enquanto as DNNs são ótimas para identificar relações entre doses e riscos, elas também têm limitações. Uma grande preocupação é a sua natureza de "caixa-preta", o que significa que pode ser difícil entender como elas chegam às suas conclusões. Essa falta de transparência representa riscos em áreas como a saúde, onde é crucial compreender o processo de tomada de decisões.

Para enfrentar esse desafio, os pesquisadores pretendem combinar os benefícios das DNNs com a interpretabilidade de modelos mais simples. Usando DNNs para informar e guiar o desenvolvimento de modelos mais transparentes, os cientistas esperam melhorar as avaliações de dose-resposta em estudos de radiação. Essa abordagem pode aprimorar nossa compreensão dos riscos à saúde relacionados à radiação de baixa dose, levando a melhores práticas de segurança.

Resumindo, entender os impactos à saúde da radiação ionizante é essencial para a segurança pública. Embora métodos tradicionais tenham fornecido insights valiosos, a introdução de técnicas de aprendizado profundo, como as DNNs, abre novas possibilidades para avaliar com precisão os riscos da radiação de baixa dose. Ao revelar relações complexas nos dados, esses modelos podem melhorar significativamente nossa abordagem à proteção contra radiação e informar futuras pesquisas e decisões de políticas.