IA prediz habilidade de cirurgiões com base na atividade cerebral

Um cirurgião precisa ser extremamente habilidoso nas tarefas manuais envolvidas durante uma operação. Esta habilidade é tão importante que, nos Estados Unidos, os cirurgiões laparoscopistas (responsáveis por retirar a vesícula biliar) costumam passar por um processo de certificação, conhecido por Fundamentos da Cirurgia Laparoscópica (FLS, Fundamentals of Laparoscopic Surgery), que consiste em uma avaliação demorada e trabalhosa para determinar o grau de proficiência cirúrgica do médico interessado.

Recentemente, alguns trabalhos publicados demonstraram existir uma correlação entre os resultados de um exame de imageamento chamado de espectroscopia na região do infravermelho funcional (fNIRS, functional near-infrared spectroscopy) e tipos de atividade motora. Este exame é relativamente fácil de implementar, envolvendo a emissão de luz em quatro regiões da cabeça. As áreas do cérebro que estejam mais irrigadas com sangue têm a propriedade de absorver a luz neste comprimento de onda; esta irrigação, por outro lado, é um indicativo de atividade cerebral localizada naquela região. Através da espectroscopia funcional, portanto, é possível determinar qual a resposta motora da pessoa em função do sinal de ativação cerebral captado. Além de indicar o tipo de atividade, esta correlação também pode ser explorada para indicar níveis de performance.

Tendo isso em mente, pesquisadores do Instituto Politécnico Rensselaer e da Universidade de Buffalo, em Nova York, desenvolveram uma rede neural concorrente capaz de gerar características a partir dos espectros obtidos por fNIRS, e com eles, prever a pontuação de médicos submetidos à avaliação. Esta estrutura de rede neural trabalha de forma similar aos mapas auto-organizáveis, agrupando as características em clusters de similaridade. No trabalho publicado em agosto, os autores reportaram que o modelo treinado, batizado de Brain-NET, foi capaz de predizer com precisão a habilidade bimotora cirúrgica; a correlação encontrada entre os dados espectrais e a pontuação foi de 0,73, e a métrica AUC para o modelo foi de 0,91.

Além de servir como uma forma mais rápida e conveniente de avaliar médicos cirurgiões em treinamento, o modelo deve encontrar aplicação em metodologias de ensino envolvendo neurofeedback, onde a pessoa avaliada recebe feedback em tempo real de sua atividade cerebral para demonstrar se ela está realizando corretamente a tarefa em questão, o que foi demonstrado ter um impacto positivo no processo de aprendizagem. As abordagens atuais, em comparação, se baseiam na repetição da tarefa sem considerar meios mais rápidos e objetivos, personalizados para cada caso. Os autores também esperam que o potencial demonstrado por seu estudo abra as portas para que outros neurobiomarcadores possam ser estudados com o propósito de avaliar habilidades ainda mais específicas e determinantes.