Objetivo do estudo
Investigar a acurácia de um modelo preditivo baseado em RMV neonatal e aprendizado profundo para estimar desenvolvimento neurocomportamental precoce em prematuros extremos.
Metodologia
42 RN prematuros (idade gestacional média: 26,3 semanas).
Ressonância magnética realizada entre 37–42 semanas de idade pós-menstrual.
Análise volumétrica de 87 regiões cerebrais.
Avaliação neurocomportamental com Escala de Avaliação Neurocomportamental de RN (NNNS) aos 3 meses.
Ferramentas de aprendizado profundo: modelos de rede neural para prever 5 domínios NNNS a partir dos volumes cerebrais.
Principais achados
Modelos baseados em IA:
Apresentaram boa acurácia na previsão dos escores NNNS, especialmente para:
Controle motor.
Reflexos.
Estabilidade fisiológica.
As áreas cerebrais com maior peso preditivo foram:
Tálamo.
Giro temporal superior.
Córtex cingulado anterior.
Substância branca parietal.
O desempenho preditivo foi superior aos modelos tradicionais sem uso de IA.
Correlação significativa entre volume cerebral específico e desenvolvimento funcional.
Discussão e implicações clínicas
O uso de RMV aliado ao deep learning pode representar uma nova fronteira na predição personalizada do neurodesenvolvimento.
A abordagem pode permitir intervenções precoces mais direcionadas em prematuros de risco.
Estudo ainda limitado pelo tamanho da amostra e pela necessidade de validação externa em coortes maiores.
Recomendações práticas
A RMV neonatal já é ferramenta útil na avaliação cerebral precoce — incorporar análise automatizada por IA pode ampliar seu potencial clínico.
Priorizar aquisição de exames de RM em prematuros extremos entre 37–42 semanas.
Usar biomarcadores neurais volumétricos para complementar o julgamento clínico e orientar seguimento neurológico.
Este estudo reforça o papel da neuroimagem de alta resolução e da inteligência artificial como ferramentas promissoras para antecipar e modular o risco de atraso neuropsicomotor em prematuros extremos.
