Ferramenta web de apoio ao diagnóstico da síndrome do túnel do carpo : classificação da gravidade com aprendizado de máquina a partir de dados clínicos

Abstract

A síndrome do túnel do carpo (STC) é a neuropatia compressiva mais prevalente dos membros superiores e, quando não tratada, pode causar perda funcional permanente. Embora a eletrodiagnose (estudos de condução nervosa) seja amplamente utilizada, trata-se de um exame invasivo, dependente de equipamento e que pode falhar em identificar alterações nos estágios iniciais da STC. A ultrassonografia de alta resolução surge como alternativa morfológica rápida e indolor, e os avanços em Machine Learning (ML) possibilitam integrar variáveis clínicas, ultrassonográficas e eletrofisiológicas obtidas por eletroneuromiografia (ENMG). Nesse cenário, sistemas de diagnóstico auxiliado por computador destacam-se como ferramentas promissoras na detecção precoce e apoio à decisão clínica. Este trabalho visa desenvolver um modelo de ML para classificar a gravidade da STC com base em dados clínicos e encapsulá-lo em uma ferramenta de diagnóstico assistido por computador baseada na web. A base de dados contou com 1037 exames clínicos de mãos, fortemente desbalanceados entre os níveis de gravidade. Foram testados cinco cenários para lidar com o desbalanceamento e a escassez de dados: (1) dados originais; (2) balanceamento de classes com SMOTE (Synthetic Minority Over-sampling Technique); (3) aumento de dados com CTGAN (Conditional Tabular Generative Adversarial Network); (4) aumento com CTGAN e balanceamento com SMOTE; e (5) balanceamento de classes com CTGAN, considerando algoritmos de ML tradicionais e de deep learning. Os modelos baseados em ensemble de árvores apresentaram melhor desempenho, com F1-score de 0.77 obtido pelo Gradient Boosting no cenário com CTGAN e SMOTE, embora a separação entre classes ainda represente um desafio. Os modelos foram implantados na aplicação web desenvolvida, compatível com práticas de Machine Learning Operations (MLOps), visando auxiliar especialistas no acompanhamento de pacientes por meio da análise automática da severidade da STC.