Relação entre ecotextura hepática fetal e insulinemia do recém-Nascido: avanços na ultrassonografia com inteligência artificial

Abstract

Introdução: A produção excessiva de insulina pode causar acúmulo de glicogênio e lipídios no fígado fetal, alterando sua ecotextura. Essas alterações podem indicar descompensações metabólicas com impactos à saúde tanto a curto quanto a longo prazo. A inteligência artificial (IA), utilizando redes neurais convolucionais (CNNs), pode ser capaz de analisar imagens de ultrassonografia e identificar padrões anormais na ecotextura hepática. Método: Trata-se de um estudo observacional, analítico, com corte transversal que analisou características clínicas, ultrassonográficas e de desfecho perinatal de 325 gestantes a termo, com (163) e sem (162) diabetes mellitus gestacional (DMG), atendidas na maternidade do Hospital Universitário Professor Polydoro Ernani de São Thiago da Universidade Federal de Santa Catarina, em Florianópolis Santa Catarina. A partir desta amostra, foram realizados dois estudos de acurácia diagnóstica para avaliar a capacidade preditiva de níveis elevados de insulinemia neonatal por meio da análise da ecotextura de 2339 imagens de fígado fetal por IA. O primeiro teste foi realizado no grupo completo e, o segundo teste, foi realizado apenas com o grupo de gestantes com DMG. A insulinemia foi estimada pela dosagem de peptídeo C no sangue do cordão umbilical de recém-nascido (RN) das mães normoglicêmicas, considerando-se elevados os valores acima do percentil 75. Resultados: Observou-se que as pacientes com DMG eram mais velhas (29,5 ± 6,3 x 27,8 ± 6,6 anos; p = 0,01), tinham maior índice de massa corporal (IMC) inicial (29,4 ± 6,5 vs 26,4 ± 5,4 kg/m2; p = 0,002), seus fetos apresentavam maior circunferência abdominal (CA) (347,2 ± 20,0 vs 342,3 ± 19,5 mm; p = 0,03) e foram mais frequentemente classificados como grande para a idade gestacional (GIG) (20/163 vs 10/161; p = 0,03), apesar de nascerem com menor idade gestacional (272,9 ± 9,0 vs 280,6 ± 7,8 dias), tiveram mais hemorragia pós-parto (2/161 vs 21/163; p = 0,03), maiores níveis de peptideo C e de glicemia no sangue do cordão umbilical (1,1 ± 0,7 ng/mL e 87,3 ± 35,8 mg/dL vs 0,9 ± 0,5 ng/mL e 79,6 ± 26,5 mg/dL) em relação às normoglicêmicas. Não houve diferenças entre os grupos quanto ao tipo de parto, peso ao nascer, Apgar e necessidade de unidade de terapia intensiva neonatal. Foram analisadas cinco diferentes CNNs para avaliação da ecotextura hepática fetal. No teste com a amostra completa, o modelo EfficientNet b0 obteve a melhor performance, sendo capaz de identificar fetos com insulinemia elevada ao nascimento com sensibilidade de 82,1%, especificidade de 86,5%, acurácia de 84,3%, valor preditivo positivo (VPP) de 85,7% e valor preditivo negativo (VPN) de 83%. No teste apenas com mulheres DMG, o modelo EfficientNet b7 obteve a melhor performance, com sensibilidade de 85,3%, especificidade de 85,4%, acurácia de 85,3%, VPP de 85,3% e VPN de 85,4%. Conclusão: Esses resultados indicam que a análise da ecotextura hepática fetal por meio de IA pode ser uma ferramenta promissora para identificar descompensações metabólicas no feto, independente do perfil glicêmico materno.

Abstract: Introduction: Excessive insulin production can lead to the accumulation of glycogen and lipids in the fetal liver, altering its echotexture. These changes may indicate metabolic decompensation, with both short- and long-term health impacts. Artificial Intelligence (AI), using convolutional neural network (CNNs), can analyze ultrasound images to identify abnormal patterns in the hepatic echotexture. Method: This is an observational, analytical, cross-sectional study that analyzed clinical, ultrasonographic, and perinatal outcome characteristics of 325 term pregnant women, with (163) and without (162) gestational diabetes mellitus (GDM), attended at the Hospital Universitário Professor Polydoro Ernani de São Thiago da Universidade maternity in Florianópolis Santa Catarina. From this sample, two diagnostic accuracy studies were conducted to assess the predictive capability of elevated neonatal insulinemia levels by analyzing the echotexture of 2339 fetal liver images using AI. The first test was conducted with the full sample, and the second test was conducted with the GDM group only. Insulinemia was estimated by measuring C-peptide in the umbilical cord blood of newborns from normoglycemic mothers, with values above the 75th percentile being considered elevated. Results: It was observed that patients with GDM were older (29.5 ± 6.3 vs. 27.8 ± 6.6 years; p = 0.01), had higher initial BMI (29.4 ± 6.5 vs. 26.4 ± 5.4 kg/m²; p = 0.002), their fetuses had larger abdominal circumference (347.2 ± 20.0 vs. 342.3 ± 19.5 mm; p = 0.03), and were more often classified as large for gestational age (20/163 vs. 10/161; p = 0.03). Despite being born at a lower gestational age (272.9 ± 9.0 vs. 280.6 ± 7.8 days), they had more postpartum hemorrhage (2/161 vs. 21/163; p = 0.03), higher C-peptide, and blood glucose levels in the umbilical cord blood (1.1 ± 0.7 ng/mL and 87.3 ± 35.8 mg/dL vs. 0.9 ± 0.5 ng/mL and 79.6 ± 26.5 mg/dL) compared to normoglycemic mothers. No differences were found between the groups regarding delivery type, birth weight, Apgar scores, and neonatal intensive care unit admission. Five different CNNs were analyzed for fetal hepatic echotexture assessment. In the test with the full sample, the EfficientNet b0 model performed best, identifying fetuses with elevated insulinemia at birth with 82.1% sensitivity, 86.5% specificity, 84.3% accuracy, 85.7% positive predictive value (PPV), and 83% negative predictive value (NPV). In the test with only the GDM group, the EfficientNet b7 model performed best, with 85.3% sensitivity, 85.4% specificity, 85.3% accuracy, 85.3% PPV, and 85.4% NPV. Conclusion: These results suggest that AI-based analysis of fetal hepatic echotexture could be a promising tool for identifying metabolic decompensations in the fetus, regardless of the maternal glycemic profile.