Desenvolvimento e testes preliminares de viabilidade de algoritmos de aprendizado de máquina para avaliar níveis de hemoglobina de forma não invasiva

Resumo O estudo HeMonitor avaliou a viabilidade e a precisão da avaliação não invasiva da hemoglobina (Hb) usando técnicas baseadas em imagem e aprendizado de máquina em pacientes com malignidades hematológicas. Um total de 367 pacientes com malignidades hematológicas e 184 doadores saudáveis foram recrutados, com fotografias das unhas e das pálpebras coletadas e analisadas usando modelos de regressão Light Gradient-Boosting Machine (LightGBM). O modelo com melhor desempenho alcançou um desvio padrão residual de ±1,02 mmol/L para a previsão da Hb. Nossa estrutura também explorou um conceito de duas fases combinando (i) um preditor de Hb baseado em imagem não invasivo e (ii) uma camada de agregação baseada em regras e post hoc integrando categorias de Saúde Global e Fadiga da EORTC. Esta camada exploratória foi projetada para contextualizar as estimativas de Hb com a carga de sintomas relatada pelos pacientes e o bem-estar. Análises visuais sugeriram que níveis mais baixos de Hb estavam geralmente associados a medidas de qualidade de vida comprometidas, consistente com a conhecida carga clínica da anemia. Dentro do subconjunto de QoL, a estrutura integrada mostrou uma concordância encorajadora com as avaliações dos clínicos, particularmente em faixas limítrofes de Hb. Esses achados apoiam a viabilidade de combinar biomarcadores digitais com resultados reportados pelos pacientes para futuras estratégias de monitoramento domiciliar centradas no paciente, enquanto a validação prospectiva permanece necessária.