Inteligência Artificial Aplicada ao Diagnóstico da Raiva
O Problema
A raiva é uma zoonose com letalidade de quase 100%, e o diagnóstico rápido é a base para o controle da doença. Atualmente, o teste de
Imunofluorescência Direta (IFD), embora seja o padrão-ouro, enfrenta gargalos críticos:
Subjetividade: A interpretação depende do olhar do técnico, o que pode gerar variação entre observadores.
Escassez de Dados: A dificuldade diagnóstica em reservatórios animais leva à subnotificação e atrasa estratégias de prevenção.
A Solução
Estamos desenvolvendo uma ferramenta computacional baseada em Redes Neurais Convolucionais (CNNs) para transformar a forma como interpretamos imagens de IFD.
Digitalização e Rotulagem: Captura de imagens de alta precisão de amostras animais.
Processamento de Imagens: Aplicação de algoritmos para preparar os dados.
Treinamento de Deep Learning: A IA aprende a identificar padrões fluorescentes específicos do vírus da raiva.
Interface Amigável: Um sistema intuitivo para profissionais de saúde, sem necessidade de conhecimento em programação.
Objetivos e Impacto
O projeto está diretamente alinhado à meta global Zero by 30 (zero mortes humanas por raiva até 2030) e aos pilares de Saúde Única.
Padronização: Redução do erro humano e da variabilidade de resultados.
Acessibilidade: Democratização do diagnóstico de alta complexidade.
Escalabilidade: Potencial de adaptação para outras doenças zoonóticas negligenciadas.
Agilidade: Resultados mais rápidos para intervenções imediatas.
Resumo
A raiva permanece como uma zoonose viral de elevada letalidade, responsável por aproximadamente 60 mil óbitos humanos anuais em nível global, dos quais cerca de 40% acometem crianças. No Brasil, o controle da raiva animal ocupa papel central nas políticas públicas de saúde voltadas às zoonoses desde 1970, refletindo sua relevância epidemiológica e sanitária. O diagnóstico laboratorial de referência baseia-se na imunofluorescência direta (IFD), método reconhecido por sua alta sensibilidade e especificidade, cuja interpretação depende fortemente da experiência do profissional, podendo ser influenciada pela variabilidade interobservador e pelas condições das amostras analisadas.
Neste contexto, o presente projeto visa consolidar um produto tecnológico funcional, já em desenvolvimento, baseado em aprendizado de máquina e inteligência artificial, destinado a auxiliar na interpretação de imagens de exames de IFD, aplicados ao diagnóstico da raiva em amostras animais. A ferramenta vem sendo treinada com imagens digitais previamente classificadas, oriundas de instituições públicas de referência em diagnóstico da raiva, empregando modelos computacionais capazes de identificar padrões fluorescentes compatíveis com resultados positivos e negativos.
A solução encontra-se estruturada em protótipo funcional, com módulos de controle de qualidade das imagens, classificação automatizada e armazenamento estruturado dos resultados, com interface voltada a profissionais da saúde. Esses recursos favorecem sua incorporação progressiva em rotinas laboratoriais de diferentes níveis de complexidade.
O projeto busca disponibilizar uma solução tecnológica aplicada de apoio à leitura dos exames de IFD, contribuindo para a redução da subjetividade e qualificação do diagnóstico. A iniciativa fortalece as estratégias de vigilância e controle da raiva no contexto da Saúde Única, alinhando-se à meta global de eliminação dos óbitos humanos por raiva mediada por cães até 2030.
Instituição onde será desenvolvido o projeto: UNIVERSIDADE DE SANTO AMARO (UNISA) – PROGRAMA DE PÓS-GRADUAÇÃO STRICTO SENSU EM SAÚDE ÚNICA
Título do Projeto (Em Português): Desenvolvimento de ferramenta de aprendizado de máquina e inteligência artificial para interpretação de resultados de exames de imunofluorescência direta no diagnóstico da raiva
Título do Projeto (Em Inglês): Development of a machine learning and artificial intelligence–based tool for the interpretation of direct immunofluorescence assay results in rabies diagnosis
Área: Tecnologias Médicas e da Saúde
Palavras-chave (em português): raiva, imunofluorescência direta, inteligência artificial, aprendizado de máquina, diagnóstico laboratorial, Saúde Única
Palavras-chave (em inglês): rabies, direct immunofluorescence, artificial intelligence, machine learning, laboratory diagnosis, One Health