Hepatite B é uma vida

Pesquisador, Universidade Nacional Australiana

professor adjunto

Brett A. Lidbury recebe financiamento do Programa de Uso de Qualidade de Patologia (QUPP) - Departamento de Saúde da Commonwealth. Ele é membro da Faculdade de Ciências do Royal College of Pathologists of Australasia (RCPA) e colabora com o Programa de Garantia de Qualidade da RCPA (RCPAQAP).

Busayo I. Ajuwon não trabalha, consulta, possui ações ou recebe financiamento de qualquer empresa ou organização que se beneficiaria deste artigo e não revelou afiliações relevantes além de sua nomeação acadêmica.

A Australian National University fornece financiamento como membro da The Conversation AU.

Ver todos os parceiros

Mais de 296 milhões de pessoas em todo o mundo vivem com hepatite B, uma infecção hepática potencialmente fatal causada pelo vírus da hepatite B (HBV). A maioria não sabe que está infectada, por isso não recebe atendimento médico. O atendimento clínico melhora o resultado do paciente e pode impedir que ele infecte outras pessoas.

A detecção precoce de pacientes infectados pelo HBV pode, portanto, melhorar o prognóstico do paciente e interromper a transmissão dentro das populações.

O teste recomendado para HBV é um imunoensaio enzimático. Ele detecta o antígeno de superfície da hepatite B – substância que é um sinal da presença do vírus no organismo da pessoa.

Mas esses testes químicos são muito caros e precisam de instalações dedicadas. Eles geralmente estão fora do alcance de pessoas em locais com poucos recursos, onde os laboratórios são poucos e isolados. Os médicos nesses ambientes trabalham com recursos limitados contra um assassino silencioso que pode não apresentar sintomas óbvios por décadas até que o fígado esteja gravemente danificado.

Parte da solução para desafios de saúde pública como esse pode estar no aprendizado de máquina. Isso se refere à capacidade dos computadores de dar sentido a grandes quantidades de informações - e construir seu próprio "conhecimento".

Estamos entre um grupo de pesquisadores da Universidade Nacional Australiana que estuda aprendizado de máquina e doenças infecciosas. Nossa pesquisa anterior descobriu que a prevalência de HBV na Nigéria era alta (9,5%, onde qualquer coisa acima de 8% é considerada alta). E os níveis de infecção variaram significativamente nas zonas geopolíticas.

Leia mais: Hepatite B na Nigéria: novos dados para informar prevenção e cuidados

O acesso a testes acessíveis era um problema no país. Por isso, desenvolvemos uma ferramenta para ajudar os médicos a detectar infecções por hepatite B mais cedo.

Usando dados de pacientes nigerianos, desenvolvemos um algoritmo que aprende com os dados do paciente, identifica padrões e toma decisões inteligentes para fornecer alertas e detecção do status de infecção por HBV de um paciente. O objetivo é aprimorar a tomada de decisões clínicas e melhorar os resultados dos pacientes. Permitir o atendimento precoce deve proporcionar a milhões de pessoas uma melhor qualidade de vida e ajudar a reduzir a prevalência do HBV.

Para construir esta ferramenta, trabalhamos em estreita colaboração com colegas do Nigerian Institute of Medical Research. Eles forneceram acesso a dados de 916 pacientes anônimos, de maneira eticamente aprovada. O instituto é o principal instituto de pesquisa médica da Nigéria e abriga uma clínica dedicada à hepatite B.

Usamos os resultados de exames de sangue normais que medem glóbulos vermelhos e brancos, sais, enzimas e outras substâncias químicas do sangue, juntamente com resultados de testes para hepatite B. Exames de sangue de rotina podem ser muito úteis para facilitar o diagnóstico precoce se as interações sutis entre as medições pode ser avistado. Padrões de interações podem ser um sinal de doença. Mas é fácil perdê-los.

Usando os dados, treinamos um algoritmo para identificar marcadores de patologia que preveem o status de infecção por HBV de um paciente. Uma das razões pelas quais o aprendizado de máquina é tão poderoso é que ele não exige que os humanos digam ao computador quais recursos identificar. Nosso algoritmo examina os dados para encontrar padrões comuns a pacientes com infecção por HBV e, em seguida, combina esses padrões em pessoas que nunca viu antes.