Imagem corporal vira biomarcador de risco antes do sintoma
Dois estudos publicados nesta semana na revista Radiology reposicionam a ressonância magnética de corpo inteiro como ferramenta de medicina preventiva: ao analisar a composição dos tecidos musculares e adiposos com algoritmos de deep learning, os pesquisadores conseguiram estimar com precisão o risco individual de diabetes, eventos cardiovasculares maiores e mortalidade por todas as causas em pessoas ainda assintomáticas. A descoberta amplia o conceito de “radiologia oportunística”, segundo o qual cada exame de imagem carrega informação clínica muito além do motivo original do pedido.
A premissa não é inteiramente nova. Há mais de uma década, pesquisas associam a quantidade e a qualidade de tecidos como músculo esquelético, gordura visceral e gordura intramuscular a desfechos como doença cardiovascular e disfunção metabólica. O salto desta vez está na escala e na automação: redes neurais convolucionais conseguem segmentar e medir esses tecidos em milhares de exames sem intervenção humana, aproximando o que antes era pesquisa epidemiológica da rotina clínica.
Estudo 1: 66 mil participantes do UK Biobank e do NAKO
No primeiro trabalho, pesquisadores alemães revisaram exames de RM de corpo inteiro de mais de 66 mil pessoas inscritas em duas grandes coortes populacionais: o UK Biobank, no Reino Unido, e o German National Cohort (NAKO). O grupo treinou algoritmos de aprendizado profundo para gerar escores Z padronizados de várias métricas de composição tecidual, comparando cada indivíduo com a distribuição populacional.
Os resultados foram robustos. Volume elevado de tecido adiposo visceral mostrou hazard ratio (HR) de 2,26 para diabetes incidente, ou seja, mais que o dobro de risco em relação ao referencial. Gordura intramuscular elevada se associou a eventos cardiovasculares maiores com HR de 1,54, enquanto baixa massa de músculo esquelético foi marcador de mortalidade por todas as causas (HR=1,44). São números compatíveis com fatores de risco tradicionais consolidados, mas obtidos a partir de uma única aquisição de imagem, sem coleta sanguínea adicional.
O ponto sensível dessa abordagem é a possibilidade de personalizar a estratificação de risco. Em vez de classificar pacientes apenas pelo IMC ou pela glicemia de jejum, o radiologista passa a entregar ao clínico um perfil tecidual detalhado, capaz de identificar pessoas com peso normal mas alta carga de gordura visceral, ou idosos sarcopênicos com risco oculto de eventos adversos.
Estudo 2: NAKO refina o papel da gordura paraespinhal
O segundo artigo focou em 11,3 mil participantes da coorte NAKO submetidos a RM de corpo inteiro 3T. Aqui os autores se debruçaram sobre dois marcadores recentemente associados à disfunção metabólica: o tecido adiposo intermuscular paraespinhal (IMAT) e a massa muscular magra (LMM). O IMAT aumentado correlacionou-se com hipertensão (HR=1,67) e dislipidemia aterogênica (HR=1,82). Já a LMM elevada funcionou como marcador protetor em homens, com HR de 0,34 para hipertensão e 0,49 para dislipidemia aterogênica — uma redução expressiva de risco.
Esses achados ajudam a explicar por que pacientes com aparente normalidade laboratorial podem cursar com infiltração gordurosa muscular silenciosa, condição cada vez mais associada à resistência insulínica. A radiologia, ao quantificar esse tecido sem invasividade, fornece um “sinal precoce” que pode anteceder a alteração metabólica clássica.
Implicações clínicas e operacionais para a radiologia
A consequência prática é direta: serviços que já realizam RM de corpo inteiro para rastreio executivo, oncológico ou de doenças sistêmicas têm a oportunidade de agregar relatórios estruturados de composição tecidual. Plataformas comerciais e pipelines de pesquisa começam a incorporar esses módulos com integração ao PACS, permitindo que os escores sejam revisados na mesma estação de laudo. Para entender como ferramentas semelhantes vêm sendo levadas à rotina, vale acompanhar a visão da GE HealthCare sobre deep learning em imagem médica e o avanço de soluções como as da Aidoc, que captou US$ 150 milhões para escalar IA radiológica.
Há ainda implicações para o relatório estruturado: medidas como volume de gordura visceral, IMAT e área de músculo esquelético podem ser inseridas no laudo com referência ao escore Z populacional, transformando o achado em informação acionável. Para o radiologista brasileiro, isso amplia o valor agregado do exame em um cenário em que ressonâncias eletivas competem com a tomografia em termos de custo e disponibilidade.
Limitações, próximos passos e contexto local
Apesar do entusiasmo, os autores reconhecem limitações. Tanto UK Biobank quanto NAKO recrutaram populações relativamente saudáveis, predominantemente brancas e europeias, o que limita a generalização para realidades como a brasileira, com perfil étnico mais heterogêneo. Algoritmos treinados nesses bancos podem precisar de recalibração antes de serem usados em coortes locais.
Outro ponto é a necessidade de validação prospectiva: as associações são robustas estatisticamente, mas ainda são baseadas em hazard ratios observacionais. Estudos de intervenção precisam mostrar que ajustar conduta clínica a partir desses biomarcadores melhora desfechos duros, e não apenas marcadores intermediários. Por fim, a integração da radiologia com a medicina preventiva exige mudança cultural: clínicos, endocrinologistas e cardiologistas precisam compreender como interpretar escores Z de composição tecidual e como acioná-los. O caminho parece convergir para o que vários líderes de imagem vêm chamando de radiologia populacional, em que cada exame contribui para uma base de dados que retroalimenta os modelos preditivos.
Fonte: The Imaging Wire — Imaging Predicts Disease by Analyzing Tissue Composition
