Daniel Souza Ferreira Magalhães

The study developed and applied a computational algorithm that selects the best medical images, aiming to improve pattern recognition skills among medical students and professionals. The algorithm, written in MATLAB, uses six quantitative metrics—sharpness, contrast, brightness, entropy, processing time, and structural artifacts—and is applied to physiological or pathological magnetic resonance neuroimaging to identify the image that most contributes to improving the visual and diagnostic performance of groups of participants. This is achieved through combinatorial weight analysis (56 combinations), in which the image with the highest number of wins is selected. The system was applied to a study with 60 participants divided into three groups (medical students, residents, and specialists in neurology), who answered two questionnaires: the first consisting of raw images selected at random, and the second using images previously processed and selected by the algorithm. The data were statistically analyzed, showing improvement in absolute and relative performance when comparing input and output, with emphasis on the domains of topographic anatomy and zonal recognition of structures. The results indicate that the use of images optimized by objective criteria improves the accuracy of image identification and participant confidence. It is concluded that the use of reproducible and measurable computational solutions is relevant in medical qualification, improving educational and diagnostic performance.

This study compared the performance of an artificial neural network (ANN), implemented as a convolutional neural network (CNN), with biological neural networks (BNNs) represented by medical students, residents, and specialists. The task consisted of classifying magnetic resonance imaging (MRI) scans in both binary (physiological vs. pathological) and multiclass settings (physiological, Chiari malformation, cortical degeneration, and brainstem glioma). The CNN, trained in MATLAB, achieved 100% accuracy (acc) (AUC = 0.99) in binary classification and 72.5% acc (AUC = 0.78) in multiclass classification, consistently outperforming all human groups, whose maximum acc reached 50%. Additional metrics (precision, recall, and F1-score) confirmed the network’s robustness, while statistical analyses (chi-square test, 95% CI) revealed no significant correlation between participants’ expertise and diagnostic performance. These findings demonstrate the superior diagnostic capacity of CNNs and emphasize their potential as complementary tools in medical practice. Moreover, they highlight the educational relevance of CNNs, suggesting their role in supporting the development of anatomical and diagnostic skills and in bridging knowledge gaps during medical training.

Resumo: A inteligência artificial (I.A) é tecnologia capaz de resolver problemas complexos que normalmente seriam solucionados por humanos. Suas características funcionais e aplicativas são percebidas de forma elaborada nas redes neurais artificiais (RNA), que a partir de uma constituição computacional, mimética ao encadeamento físico e funcional das competências neuroprocessuais do ser humano, é recurso-chave em reconhecimento e análise de padrões imagéticos e informacionais, prestando grande suporte no âmbito da saúde e cuidado. Desta forma, sua base, a rede neural biológica (RNB), é reconhecidamente seu modelo referencial de criação, desenvolvimento e melhoramento, objetivando desempenhos cada vez mais eficazes do ponto de vista da acurácia e evidenciação médico-diagnóstico. O estudo objetiva tanto a análise das respostas de grupos de alunos e profissionais em medicina (RNB) – médicos e graduandos – em questionários técnicos, compostos por imagens neurorradiológicas (saudáveis e doentes), a fim de entender sua precisão e acertos, tendo em vista que o mesmo questionário imagético foi respondido por uma RNA, preparada para essa finalidade, quanto de refletir sobre as perspectivas de sua acurácia de forma qualitativa no que tange seu desempenho e limitações. O estudo constitui-se de uma pesquisa exploratória com base na aplicação de questões fechadas (múltipla-escolha), de cunho técnico-avaliativas, versadas em reconhecimento de padrões em imagens neurorradiológicas saudáveis e doentes e aplicadas por meio da plataforma Google Forms. As imagens utilizadas foram colhidas tanto de banco particular com protocolo aprovado em Comitê de Ética em Pesquisa (CEP) sob parecer nº3.657.509, quanto de banco aberto (Plataforma Radiopaedia). Os questionários foram elaborados, bem como as imagens selecionadas com suporte de médico neurorradiologista apoiador do estudo. Para isso, foram recrutados participantes em três faixas/graus de conhecimento: graduandos em medicina (34), residentes em neurologia (10) e neurologistas (10), onde cada grupo respondeu 4 perguntas com níveis de dificuldade relacionadas a seu grau de compreensão técnica sobre o assunto, sendo todas com base em imagens de ressonância nuclear magnética (RNM). Incluíram-se maiores de idade, que detinham documento comprobatório legitimando-o ao referente grupo e aqueles que responderam o questionário na íntegra. Excluíram-se aqueles que não anuíram ao Termo de Consentimento Livre e Esclarecido (TCLE), que não responderam o questionário em sua totalidade, ou que não cumpriram aos critérios inclusivos. Nisso, o desenvolvimento da RNA, teve o intuito de servir como inteligência de referência na resposta as mesmas perguntas, devido sua assertividade elevada, observada na literatura correspondente. Os resultados parciais a partir das respostas dos grupos da RNB - coletadas, tabuladas e analisadas - expressam baixa acurácia em termos de acertos quando comparadas as mesmas perguntas por parte da RNA. Quando analisado em perspectiva, não se nota relação direta entre a melhor performance em acertos que acompanhe os graus/níveis de conhecimento por grupo. Por fim, as aplicações que analisam a capacidade de reconhecimento de padrões em imagens médicas por RNB se mostram incipientes, sendo ainda menos notadas quando estas são comparadas as RNAs, cabendo mais pesquisas que aprofundem a temática e que contribuam para o melhoramento perceptivo da RNB e, por meio disso, em assistência a saúde.

A terapia de fotobiomodulação (TFBM) tem se mostrado promissora para o tratamento da fibromialgia, uma condição crônica que afeta predominantemente mulheres, caracterizada por dor musculoesquelética generalizada, fadiga, distúrbios do sono e sintomas psicossociais. Este artigo revisa de forma integrativa os efeitos da TFBM na fibromialgia, explorando os aspectos técnicos, sua integração com outras modalidades terapêuticas e as implicações na prática clínica. A revisão inclui a análise de parâmetros terapêuticos, protocolos de tratamento e comparação com outras abordagens terapêuticas. Pode-se concluir que não há tratamento de cura para fibromialgia, a TFBM associada com outras modalidades terapêuticas integrativas pode promover uma melhor qualidade de vida dos pacientes.

Introdução: A alta incidência de lesões nos meniscos do joelho e a dificuldade em sua visualização precisa tornam a criação de modelos tridimensionais (3D) uma ferramenta potencialmente valiosa para diagnóstico e planejamento cirúrgico. Objetivos: Este estudo teve como objetivo criar um modelo digital 3D dos meniscos do joelho humano a partir de imagens médicas de Ressonância magnética nuclear e transformá-lo em imagens adequadas para visualização em uma tela multiautoestereoscópica, uma tecnologia que permite a visualização 3D com percepção de profundidade sem a necessidade de óculos especiais. Materiais e Métodos: O modelo digital 3D dos meniscos foi gerado a partir de dados DICOM obtidos de bancos de imagens médicas de domínio público. A segmentação dos meniscos foi realizada utilizando o software InVesalius. A criação das imagens para a tela multi-autoestereoscópica envolveu a captura de 360 imagens bidimensionais da estrutura rotacionada em 1 grau por vez, utilizando o software E- VolDX. As imagens foram então organizadas em matrizes e compiladas em um vídeo utilizando o software VirtualDub, garantindo que a sequência fosse visualizada de maneira contínua e tridimensional. Resultados e Discussão: Os resultados mostraram que a visualização tridimensional dos modelos digitais 3D dos meniscos na tela multiautoestereoscópica proporcionou uma percepção detalhada e precisa da estrutura meniscal, com a imagem sendo visualizada simultaneamente por múltiplos observadores sem a necessidade de dispositivos adicionais e sem dificuldade de foco ocular. O estudo também identificou que uma distância de 2 a 4 metros do monitor oferece a melhor percepção de profundidade, otimizando a experiência visual. Conclusão: O presente estudo demonstrou que a geração de modelos 3D dos meniscos do joelho a partir de imagens de ressonância magnética nuclear (RMN) e sua subsequente visualização em tela multi-autoestereoscópica oferece uma abordagem promissora para o estudo da anatomia meniscal e para o planejamento cirúrgico de lesões meniscais. Embora o processo tenha sido bem-sucedido, desafios persistem, particularmente na automação da segmentação. No futuro, a integração dessa abordagem com tecnologias de realidade aumentada ou virtual pode ampliar ainda mais suas aplicações clínicas, tornando-a uma ferramenta valiosa para a prática médica. Esses avanços podem levar a melhorias significativas na precisão das intervenções cirúrgicas e nos resultados clínicos, oferecendo novas perspectivas para o estudo e tratamento de lesões meniscais.

A bioengenharia apresenta diferentes vertentes de aplicação do conhecimento. No âmbito da educação em saúde, o setor segue empenhado em produzir novas tecnologias capazes de contribuir com o aperfeiçoamento técnico-científico. O objetivo deste artigo é verificar se o uso de peças anatômicas impressas em 3D, utilização de tela em 3D e uso de aplicativo impacta no processo de ensino-aprendizagem em cursos de graduação. Trata-se de um estudo experimental que culminou com o desenvolvimento de ferramentas para fins educacionais a nível de graduação em saúde. O estudo foi dividido em diferentes fases que resultaram na impressão de órgãos através do programa de visualização online ViewSTL, para dois grupos de alunos submetidos à aula convencional e à aula com incremento tecnológico em dois momentos distintos. Em um segundo momento foi desenvolvido o aplicativo para apoio ao estudante e aplicado o questionário em discentes e docentes. O aprimoramento da turma que utilizou as ferramentas tecnológicas em sala de aula foi expresso em 97%, enquanto a turma que não utilizou apresentou melhoria de 4%. Em relação ao uso do aplicativo, grande parte dos estudantes apontou que a ferramenta apresenta benefícios e possibilita a compreensão integrada das informações avaliadas em anatomia, histologia e radiologia. No grupo de docentes, a ferramenta foi avaliada predominantemente como importante para o processo do ensino-aprendizagem, sendo questionado sobre a melhoria na integração das informações. O conjunto dos resultados considerados apresentou significativo impacto no proposto à melhoria contínua para ciência e educação na área da saúde na contemporaneidade.

O objetivo da presente investigação foi avaliar a capacidade de corte de 4 instrumentos endodônticos do sistema rotatório Ni-Ti em função do número uso em 20 blocos com canais simulados de resina fenólica (Baquelite®) e 750 de curvatura sendo testadas 20 limas de diferentes marcas divididas em 4 grupos: GA–Limas Twisted File® (25/.12, 25/.10, 25/.08, 25/.06, 25/.04) (n=5); GB- LimasBioRaCe®(25/.08, 15/.05, 25/.04, 25/.06, 35/.04 e 40/.04) (n=6); GC–Limas Mtwo® (10/.04, 15/.05, 20/.06 e 25/.06) (n=4) e GD–Limas EndoWave® (35/.08, 30/.06, 25/.06, 20/.06 e 15/.02) (n=5). As limas e blocos foram lavadas antes do uso. Os blocos foram secos com papel absorvente e estufa a 1000C durante 2 h pesados antes e depois em balança de precisão (SA–210, Quimes). Em ambos os grupos utilizou motor X-Smart® (Dentsply/Maillefer, Suiça) para instrumentação com velocidade de 300rpm e controle de torque programado e 1,6N de força. Inicialmente o canal foi irrigado com 5mL de hipoclorito de sódio a 1% (Officinalis®) e substância química auxiliar da instrumentação o creme de Endo PTC® neutralizado por hipoclorito de sódio a 1% e irrigação/aspiração do canal com 5mL de solução de hipoclorito de sódio a 1%. O instrumento Mtwo® promoveu maior remoção de resina, isto é, maior eficiência de corte do canal simulado seguida da lima BioRaCe®, EndoWave® nos cinco diferentes usos enquanto o instrumento TwistedFile® removeu menos material. O substrato a base de resina fenólica apresentou estabilidade nos ensaios de desgaste com respeito à perda de peso dos blocos.