Com ajuda de smartphone, cientistas conseguem diagnosticar tumores em 15 minutos

Quando se trata de medicina, principalmente em tempos como estes que vivemos, a tecnologia tem sido uma verdadeira aliada. Isso pode ser visto numa recente pesquisa do Centro Nacional de Pesquisa em Energia e Materiais (CNPEM), em Campinas, que consiste em uma análise clínica baseada no uso de um sensor eletroquímico microfluídico e modelos de machine learning cuja promessa é facilitar o diagnóstico e prognóstico de doenças.

• Inteligência artificial pode alterar forma de tratar depressão
• Inteligência artificial pode ser usada para prevenir doenças renais
• Pesquisas tech latino-americanas focam na área da saúde

Funciona da seguinte maneira: os eletrodos de grafite, constituídos de minas de lápis, do mesmo tipo usado em lápis escolares, atuam como sensores de padrões eletroquímicos. Com esses sensores conectados a um equipamento portátil capaz de medir a impedância da corrente elétrica (potenciostato) e a um smartphone, é possível determinar, em menos de 15 minutos, a presença e a concentração de biomarcadores de interesse em amostras com mínimos volumes de sangue.

De acordo com o estudo, apoiado pela Fapesp, estruturas lipídicas extracelulares e proteínas presentes na sua membrana foram usadas como biomarcadores do tumor de Ehrlich para identificar animais sadios e com o tumor.

Com machine learning, os pesquisadores conseguiram traçar um diagnóstico preciso, ao avaliar a composição heterogênea dos biomarcadores e de suas cargas moleculares dentro do próprio tumor (e entre os pacientes). A quantificação simultânea de dois biomarcadores específicos ajuda a analisar o estágio do câncer de mama com acurácia elevada. 

Cada amostra de sangue gera um espectro único de capacitância, que serve como impressão digital, e pode gerar até 100 variáveis. O estudo ainda contou com 12 amostras para aquisição do algoritmo e demonstrou poder de exatidão. Um smartphone ainda foi usado para controle de um equipamento portátil para medidas eletroquímicas, aquisição e tratamento dos dados do sensor por machine learning e a apresentação do resultado de interesse em sua tela. É necessária uma etapa de preparo antes de levar a amostra de sangue para o dispositivo de diagnóstico.

Fonte: ACS via Agência Fapesp