Aprendizado profundo para segmentação de vasos e análise de fluxo para identificar agrupamentos associados a desfechos adversos em um registro de pacientes Fontan

Por que estudar o fluxo cardíaco em crianças é importante

Crianças nascidas com apenas uma câmara cardíaca funcional frequentemente passam por uma cirurgia complexa chamada procedimento de Fontan para que possam sobreviver até a idade adulta. Esses pacientes podem parecer estáveis por anos, mas alguns desenvolvem depois problemas graves que afetam o coração e o fígado. Os médicos já coletam exames detalhados de ressonância magnética que capturam como o sangue realmente se move pelos corações e vasos ao longo do tempo, mas grande parte desses dados ricos de movimento quase nunca é aproveitada. Este estudo mostra como técnicas modernas de inteligência artificial podem desbloquear essa informação oculta em escala, revelando padrões de fluxo sanguíneo vinculados a prognósticos de longo prazo melhores ou piores.

Transformando milhares de exames em dados utilizáveis

Os pesquisadores trabalharam com o registro FORCE, uma grande coleção internacional de exames de ressonância magnética cardíaca de mais de 3.000 pessoas com circulação Fontan. Cada exame inclui filmes especializados que acompanham a velocidade do fluxo sanguíneo por vasos-chave a cada batimento cardíaco. Para aprender com esses exames, a equipe primeiro precisou delinear os vasos em cada quadro da imagem e medir o fluxo ao longo do tempo — uma tarefa manual tediosa que teria levado cerca de um ano de trabalho ininterrupto por especialistas. Em vez disso, eles construíram um modelo de aprendizado profundo que pode tanto reconhecer qual vaso está sendo imagens quanto desenhar automaticamente o contorno do vaso para cinco vias principais: a aorta e quatro grandes veias e artérias que vão para e vêm dos pulmões.

Como o sistema inteligente de segmentação funciona

O núcleo do sistema é uma rede neural que analisa cada filme como um bloco 3D curto: duas dimensões espaciais mais o tempo. Ela recebe duas versões do sinal de RM — uma mostrando a anatomia e outra destacando o sangue em movimento — e foi treinada em 260 exames nos quais especialistas já haviam traçado os vasos manualmente. O modelo não apenas contorna estruturas; ele também aprende a identificar qual vaso é qual, auxiliado por informações digitadas pelo operador do scanner no momento da aquisição. Com esse design combinado de classificação e segmentação, o sistema alcançou uma sobreposição muito alta com os traçados humanos e identificou corretamente o tipo de vaso em quase todos os casos de teste, apesar da anatomia frequentemente torcida e variável observada em pacientes Fontan.

Escalando para um registro internacional inteiro

Após a validação, o modelo foi inserido em um pipeline automatizado na nuvem e aplicado a mais de 4.500 exames do registro. Para cada exame, ele identificou os filmes de fluxo, segmentou os cinco vasos alvos e gerou uma curva fluxo-versus-tempo para cada batimento cardíaco, tudo sem intervenção humana. Especialistas revisaram esses resultados e constataram que cerca de 90% das segmentações eram adequadas para uso clínico quando os cinco vasos estavam presentes. O sistema teve desempenho ligeiramente inferior em pacientes com anatomias especialmente incomuns, como veias duplicadas, mas ainda assim forneceu um conjunto de dados em massa — antes inatingível — de medições limpas e variantes no tempo do fluxo sanguíneo.

Encontrando tipos de fluxo ocultos ligados a desfechos

Com milhares de curvas de fluxo em mãos, o segundo modelo de aprendizado profundo da equipe procurou agrupamentos naturais de pacientes baseados unicamente em como o sangue se movia pelos vasos ao longo do tempo. Esse modelo comprimiu cada par de curvas — seja das artérias pulmonares ou das grandes veias — em uma representação interna compacta e então agrupou os pacientes em “fenótipos” de fluxo distintos. Alguns grupos tinham fluxos equilibrados e de tamanho normal; outros mostraram fluxo global reduzido, fluxo dominante para um pulmão ou fluxo deslocado para a fase de relaxamento do batimento cardíaco. Os pesquisadores acompanharam então os pacientes ao longo do tempo e descobriram que certos padrões de fluxo estavam associados a riscos maiores de morte, transplante cardíaco ou doença hepática, mesmo após ajuste por idade, força de ejeção e outras medidas padrão.

O que isso pode significar para o cuidado futuro

Em termos simples, o estudo demonstra que a forma como o sangue circula na circulação Fontan — quais vasos carregam mais ou menos fluxo e em que momento do batimento cardíaco — contém pistas vitais sobre quais pacientes provavelmente enfrentarão complicações sérias. Os autores mostram que a inteligência artificial pode transformar grandes arquivos de filmes brutos de RM em perfis de fluxo e grupos de risco significativos, sem traçado manual ou regras feitas à mão. No futuro, um sistema como esse poderia rodar automaticamente logo após a ressonância magnética de uma criança, sinalizando aqueles cujos padrões de fluxo se assemelham a grupos de maior risco e ajudando os médicos a ajustar acompanhamento, exames ou até planejamento cirúrgico. Além dos pacientes Fontan, a mesma abordagem poderia ser adaptada a outras condições cardíacas, exames de rastreamento de movimento ou mesmo sinais de rotina como ECGs, aproveitando de forma mais completa informações que os hospitais já coletam, mas raramente exploram em profundidade.

Citação: Yao, T., Clair, N.S., Gong, M. et al. Deep learning for vessel segmentation and flow analysis to identify clusters associated with adverse outcomes in a fontan patient registry. Sci Rep 16, 11956 (2026). https://doi.org/10.1038/s41598-026-40738-6

Palavras-chave: Circulação Fontan, ressonância magnética cardíaca, aprendizado profundo, padrões de fluxo sanguíneo, estratificação de risco de pacientes