Resumo Objetivo: Desenvolver um modelo computacional - rede neural convolucional (RNC) - treinado com radiografias da linha de base do Estudo Longitudinal de Saúde do Adulto Musculoesquelético (ELSA-Brasil Musculoesquelético), para a classificação automática de osteoartrite dos joelhos. Materiais e Métodos: Trata-se de um estudo transversal abrangendo todos os exames da linha de base do ELSA-Brasil Musculoesquelético (5.660 radiografias dos joelhos em incidência posteroanterior). Os exames foram interpretados por médico radiologista com treinamento específico e calibração previamente publicada. Resultados: A RNC desenvolvida apresentou área sob a curva característica de operação do receptor de 0,866 (IC 95%: 0,842-0,882). O modelo pode ser calibrado para alcançar, não simultaneamente, valores máximos de 0,907 para acurácia, 0,938 para sensibilidade e 0,994 para especificidade. Conclusão: A RNC desenvolvida pode ser utilizada como ferramenta de triagem, reduzindo o número total de exames avaliados pelos radiologistas do estudo, e/ou como ferramenta de segunda leitura, contribuindo com a redução de possíveis erros de interpretação. Objetivo (RNC ELSABrasil ELSA Brasil Musculoesquelético, , Musculoesquelético) Métodos Tratase Trata se 5.660 5660 5 660 (5.66 posteroanterior. posteroanterior . posteroanterior) publicada Resultados 0866 0 866 0,86 IC 95% 95 0,8420,882. 08420882 0,842 0,882 842 882 0,842-0,882) alcançar simultaneamente 0907 907 0,90 acurácia 0938 938 0,93 0994 994 0,99 especificidade Conclusão triagem eou ou leitura interpretação 5.66 566 66 (5.6 086 86 0,8 9 8420 0,8420,882 0842088 0842 0,84 0882 0,88 84 88 0,842-0,882 090 90 0,9 093 93 099 99 5.6 56 6 (5. 08 8 0, 0,8420,88 084208 084 088 0,842-0,88 09 5. (5 0,8420,8 08420 0,842-0,8 ( 0,8420, 0,842-0, 0,8420 0,842-0 0,842-
Abstract Objective: To develop a convolutional neural network (CNN) model, trained with the Brazilian “Estudo Longitudinal de Saúde do Adulto Musculoesquelético” (ELSA-Brasil MSK, Longitudinal Study of Adult Health, Musculoskeletal) baseline radiographic examinations, for the automated classification of knee osteoarthritis. Materials and Methods: This was a cross-sectional study carried out with 5,660 baseline posteroanterior knee radiographs from the ELSA-Brasil MSK database (5,660 baseline posteroanterior knee radiographs). The examinations were interpreted by a radiologist with specific training, and the calibration was as established previously. Results: The CNN presented an area under the receiver operating characteristic curve of 0.866 (95% CI: 0.842-0.882). The model can be optimized to achieve, not simultaneously, maximum values of 0.907 for accuracy, 0.938 for sensitivity, and 0.994 for specificity. Conclusion: The proposed CNN can be used as a screening tool, reducing the total number of examinations evaluated by the radiologists of the study, and as a double-reading tool, contributing to the reduction of possible interpretation errors. Objective (CNN Estudo Musculoesquelético ELSABrasil ELSA Brasil Health Musculoskeletal osteoarthritis Methods crosssectional cross sectional 5660 5 660 5,66 (5,66 radiographs. . radiographs) training previously Results 0866 0 866 0.86 95% 95 (95 CI 0.8420.882. 08420882 0.842 0.882 842 882 0.842-0.882) achieve simultaneously 0907 907 0.90 accuracy 0938 938 0.93 sensitivity 0994 994 0.99 specificity Conclusion tool doublereading double reading errors 566 66 5,6 (5,6 086 86 0.8 9 (9 8420 0.8420.882 0842088 0842 0.84 0882 0.88 84 88 0.842-0.882 090 90 0.9 093 93 099 99 56 6 5, (5, 08 8 0. ( 0.8420.88 084208 084 088 0.842-0.88 09 (5 0.8420.8 08420 0.842-0.8 0.8420. 0.842-0. 0.8420 0.842-0 0.842-