A espectrometria de massas tornou possível ampliar de forma expressiva o número de substâncias monitoradas em programas antidoping. O aumento da capacidade instrumental, porém, trouxe outro desafio para os laboratórios: interpretar grandes volumes de dados sem comprometer a sensibilidade exigida na etapa de triagem. Um estudo publicado na Analytical Chemistry propõe enfrentar esse gargalo combinando GC-MS/MS, quimiometria e machine learning em um sistema voltado à priorização automatizada dos resultados que precisam de atenção do analista.
O trabalho avaliou 684 amostras reais de urina. Entre elas, 56 haviam sido classificadas como positivas pela análise de referência. O modelo sinalizou todas essas 56 amostras, ao mesmo tempo em que os autores estimaram uma redução superior a 99,8% no tempo necessário para a revisão dos dados.
O resultado chama atenção por um motivo específico. Em controle antidoping, acelerar a leitura do dado analítico só tem utilidade se o ganho de produtividade não vier acompanhado da perda de amostras relevantes. Nesse contexto, o desempenho do sistema precisa ser analisado a partir da capacidade de preservar os sinais que exigem investigação.
O gargalo já não está apenas no instrumento
Rotinas antidoping reúnem condições particularmente exigentes para a análise instrumental. A matriz urinária é complexa, as concentrações podem ser muito baixas e o conjunto de substâncias, metabólitos e marcadores monitorados é amplo. Técnicas baseadas em cromatografia acoplada à espectrometria de massas ocupam, por isso, posição central nos procedimentos analíticos.
A etapa de interpretação continua, entretanto, fortemente dependente da avaliação especializada. Em trabalho anterior publicado na própria Analytical Chemistry, pesquisadores que aplicaram redes neurais convolucionais à triagem antidoping equina observaram que a inspeção visual de cromatogramas de íons extraídos constitui uma atividade repetitiva e intensiva em tempo. O estudo ressaltou ainda uma condição particularmente sensível desse tipo de aplicação: um sistema de classificação precisa ser desenvolvido com atenção rigorosa aos falsos negativos. (pubs.acs.org)
É justamente nesse espaço, entre a aquisição de dados e a decisão do especialista, que o novo framework se posiciona.
Machine learning como filtro analítico
A proposta não consiste em transferir para um algoritmo a responsabilidade pela conclusão antidoping. O papel do modelo é anterior. Ele atua sobre os dados da triagem por GC-MS/MS para identificar quais resultados merecem revisão, reduzindo a quantidade de informação que precisa ser examinada manualmente.
Essa distinção é relevante. Machine learning, nesse caso, funciona como uma camada de priorização dentro do fluxo analítico. A decisão humana deixa de ser consumida pela inspeção indiferenciada de um grande conjunto de resultados e passa a se concentrar nos casos apontados pelo sistema.
É uma aplicação particularmente compatível com a lógica da quimiometria. Em vez de avaliar o dado instrumental apenas a partir de um parâmetro isolado, modelos computacionais podem explorar relações existentes em conjuntos complexos de variáveis e reconhecer padrões associados aos resultados de interesse.
O teste com 684 amostras reais dá ao estudo uma dimensão prática importante. Das 56 amostras positivas de referência presentes no conjunto avaliado, todas foram sinalizadas pelo framework. Para uma aplicação de triagem, esse é o dado central de desempenho apresentado no trabalho.
Mais de 99,8% de redução no tempo de revisão
O número de maior impacto operacional está na estimativa de tempo.
Segundo os resultados apresentados pelos autores, a aplicação do framework poderia reduzir em mais de 99,8% o tempo dedicado à revisão dos dados. O percentual deve ser interpretado dentro de seu contexto correto. Ele se refere à atividade de revisão contemplada pelo estudo, e não significa uma redução equivalente no tempo total de processamento de uma amostra dentro do laboratório.
Extração, preparação, derivatização quando aplicável, separação cromatográfica, aquisição por espectrometria de massas, controles, investigação de resultados suspeitos e procedimentos confirmatórios continuam compondo o processo analítico.
Ainda assim, retirar da rotina grande parte da inspeção manual de resultados potencialmente negativos pode alterar de maneira significativa a distribuição do trabalho especializado. Em laboratórios de elevado volume, pequenas economias por resultado tornam-se relevantes quando multiplicadas por centenas ou milhares de análises.
Triagem automatizada não equivale a confirmação
Esse ponto é decisivo para compreender o alcance da tecnologia.
A lógica regulatória do controle antidoping separa a triagem inicial das etapas destinadas à confirmação dos achados. A documentação da World Anti-Doping Agency, WADA, define a Initial Testing Procedure como o procedimento utilizado para pesquisar a possível presença de um analito ou de valores elevados de determinadas propriedades analíticas. Procedimentos confirmatórios têm outra finalidade, estabelecer de forma específica a presença, a concentração, a razão, o escore ou, quando pertinente, a origem do analito. (wada-ama.org)
Métodos antidoping de rotina são desenvolvidos exatamente dentro dessa arquitetura. Publicações anteriores mostram, por exemplo, que procedimentos iniciais podem combinar GC-MS e LC-MS para obter cobertura analítica ampla antes das etapas subsequentes de investigação. (sciencedirect.com)
Por isso, o machine learning apresentado no novo estudo deve ser entendido como ferramenta de suporte à triagem. Seu valor está em organizar e priorizar a informação produzida pelo sistema instrumental. A interpretação especializada e os procedimentos analíticos exigidos para confirmar um achado permanecem fundamentais.
Da automação instrumental à automação da interpretação
Durante décadas, ganhos de produtividade em química analítica estiveram concentrados em etapas físicas do processo. Amostradores automáticos, preparação em placas, sistemas robotizados, sequências instrumentais prolongadas e métodos multirresíduo aumentaram fortemente a capacidade dos laboratórios.
Há exemplos de procedimentos antidoping por LC-MS/MS capazes de processar dezenas de amostras simultaneamente e monitorar mais de uma centena de analitos em uma única estratégia analítica. Esse avanço resolveu parte do problema de throughput, mas fez crescer proporcionalmente a quantidade de informação que precisa ser interpretada. (analyticalsciencejournals.onlinelibrary.wiley.com)
A incorporação de machine learning desloca a automação para uma etapa diferente. O alvo passa a ser o próprio processo de leitura do resultado.
Essa mudança é relevante porque um espectrômetro mais rápido não elimina, por si, o tempo necessário para decidir se um sinal merece investigação. Em determinados fluxos, a capacidade computacional de classificar resultados pode passar a ser tão estratégica quanto a velocidade de aquisição instrumental.
Um modelo que precisa continuar sendo testado
Os resultados são expressivos, mas não encerram a discussão sobre a implementação de inteligência artificial em laboratórios regulados.
Um modelo de machine learning depende diretamente dos dados usados em seu desenvolvimento e avaliação. Alterações na matriz, instrumentação, preparação de amostras, condições cromatográficas, comportamento de determinadas substâncias ou características da população de amostras podem afetar seu desempenho.
Há ainda uma exigência inerente ao controle antidoping: a eficiência computacional não pode ser avaliada apenas pelo número de resultados descartados automaticamente. O parâmetro crítico continua sendo a capacidade de evitar que uma amostra relevante seja indevidamente classificada como negativa.
Isso ajuda a explicar por que estudos anteriores sobre aplicação de inteligência artificial ao antidoping têm tratado o controle de falsos negativos como requisito central para a adoção desses sistemas. (pubs.acs.org)
Na prática, qualquer transição para uma rotina automatizada exigirá validação adequada ao uso pretendido, acompanhamento contínuo do desempenho e mecanismos que permitam ao analista revisar casos duvidosos ou fora do domínio conhecido pelo modelo.
A inteligência artificial mais próxima da bancada
O interesse do estudo está justamente em uma aplicação menos abstrata da inteligência artificial em química analítica.
O algoritmo não tenta descobrir sozinho uma substância desconhecida, interpretar todo o processo antidoping ou substituir o especialista responsável pelo resultado. Ele enfrenta uma tarefa muito mais delimitada e, potencialmente, mais útil para a rotina: separar rapidamente grandes volumes de informação analítica e indicar onde a atenção humana deve ser concentrada.
Ao sinalizar todas as 56 amostras positivas de referência dentro de um conjunto de 684 urinas reais e estimar uma redução superior a 99,8% no tempo de revisão, o trabalho mostra até onde essa estratégia pode chegar no cenário estudado.
Para laboratórios que já automatizaram preparação, aquisição e processamento instrumental, essa pode representar uma próxima fronteira de eficiência. A questão deixa de ser apenas quanto dado um GC-MS/MS consegue produzir. Passa a incluir quanto desse dado realmente precisa chegar aos olhos do especialista.