Espera-se que a inteligência artificial (IA) influencie significativamente a prática da medicina e a prestação de cuidados de saúde no futuro próximo. Há uma lista crescente de publicações sobre o assunto na forma de artigos acadêmicos, relatórios de políticas de saúde, declarações de sociedades profissionais e cobertura da mídia popular.
A renomada revista Nature publicou em Setembro de 2020 um breve guia para profissionais médicos na era da inteligência artificial (veja aqui o artigo). Para isso, é fundamental que os médicos e outros profissionais de saúde entendam os fundamentos da tecnologia para que possam ver além do exagero, avaliar estudos baseados em IA e a validação clínica destes estudos; bem como reconhecer as limitações e oportunidades que a IA tem.
Como funciona a Inteligência Artificial (IA)?
A IA funciona por meio de um método chamado aprendizado de máquina (machine learning, em inglês). O aprendizado de máquina oferece aos computadores a capacidade de aprender sem serem explicitamente programados. Se você alimentar o algoritmo com dados suficientes de boa qualidade, o aprendizado de máquina permite que eles criem estratégias para se destacar nessa tarefa específica.
Independentemente da tarefa que pretendemos resolver, alimentamos os algoritmos de aprendizado de máquina mais simples com dados e iteramos constantemente como eles os digerem para melhorar a resolução da tarefa. Com algoritmos mais complexos, como redes neurais (neural networks) e aprendizado profundo (deep learning), é possível que o algoritmo comece a criar suas próprias regras e estratégias sem intervenção humana. A partir daí, nem mesmo seus desenvolvedores podem entender como ele tira uma conclusão ou a estratégia que usa para se destacar em uma tarefa.
Quando se trata de tecnologias que usamos para tomar decisões médicas, gostamos de entender o núcleo da máquina ou pelo menos as explicações físicas / biológicas por trás dela. No caso de algoritmos avançados baseados em IA, parece que não seremos capazes de entender mais do que o básico teórico. Por isso chamamos de caixa preta (black box).
a Na aprendizagem supervisionada, o professor (desenvolvedor) sabe o que quer ensinar à criança (IA), define a resposta esperada e a criança aprende a se destacar na tarefa. b Na aprendizagem sem supervisão (não supervisionada), o professor não influencia como a criança aprende a brincar, mas observa as conclusões que a criança pode tirar ao resolver a tarefa. c Na aprendizagem por reforço, o professor sabe o que quer ensinar à criança, mas não define passo a passo como a criança deve aprender. Em vez disso, o professor só dá feedback depois que a tarefa é concluída e pede à criança que descubra sua própria estratégia usando os resultados que o professor recompensou. d No aprendizado profundo (deep learning), é possível analisar conjuntos de dados muito mais complexos, desde imagens e vídeos até uma espécie de raciocínio humano. Tem várias camadas e pode imitar o funcionamento das redes neurais no cérebro.
Exemplos de como a saúde pode se beneficiar da IA
Em suma, tarefas que são altamente repetitivas e envolvem a análise de dados quantificáveis podem se beneficiar ao máximo com o uso de IA. Eis alguns exemplos que fornecem uma imagem sobre toda a gama de oportunidades.
Melhorar as consultas presenciais e online
Babylon Health lançou um aplicativo que oferece consultoria baseada em IA. Ele usa o histórico médico do paciente e o conhecimento médico comum. Os pacientes relatam seus sintomas por meio do aplicativo que verifica aqueles em um banco de dados de doenças usando o reconhecimento de fala. Depois disso, oferece um curso de ação.
Assistência à saúde e gestão de medicamentos
A start-up médica Sense.ly desenvolveu Molly, uma enfermeira virtual que foi projetada para ter um rosto sorridente e uma voz agradável. Seu objetivo é ajudar os pacientes a monitorar sua saúde ou gestão de doenças entre as consultas médicas com aprendizado de máquina. Também oferece acompanhamento personalizado, com foco nas doenças crônicas. Uma abordagem semelhante foi usada pelo aplicativo AiCure, que usa a câmera de um smartphone e IA para confirmar se os pacientes estão aderindo às suas prescrições. Isso pode ser útil para pessoas com condições médicas graves ou participantes de ensaios clínicos.
Diagnóstico baseado em IA
Em 2020, o FDA aprovou um programa de software da empresa Caption Health que permite que profissionais médicos realizem imagens de ultrassom cardíaco sem treinamento especializado. Ele usa IA para fornecer orientação em tempo real e também a capacidade de salvar imagens de qualidade diagnóstica. Ele atua como um “co-piloto” para aqueles que realizam um exame de ultrassom, pois foi projetado para emular a orientação que um ultrassonografista especializado forneceria para otimizar a imagem. Fornece instruções sobre como manipular o transdutor e fornece feedback automatizado sobre a qualidade da imagem de diagnóstico.
Registros médicos de mineração
Coletar, armazenar, normalizar e rastrear registros médicos é uma etapa óbvia para IA. Por exemplo, o Google Deepmind Health está cooperando com o Moorfields Eye Hospital NHS Foundation Trust para melhorar o tratamento dos olhos por meio da análise de varreduras de retina. As imagens são analisadas pelos algoritmos da DeepMind resultando em um diagnóstico detalhado e uma chamada “pontuação de urgência” em cerca de 30 s. O sistema protótipo pode detectar retinopatia diabética, glaucoma e degeneração macular relacionada à idade.
Medicina de precisão
A empresa Deep Genomics visa identificar padrões em dados genéticos e registros médicos de pacientes que tentam vincular mutações a condições médicas. Oncompass Medicine usa algoritmos baseados em IA para combinar mutações genéticas encontradas em amostras de tumor de pacientes com testes clínicos em andamento em todo o mundo. Dessa forma, os pacientes podem receber tratamentos precisamente direcionados específicos para o tipo de tecido canceroso que possuem.
Elaborando planos de tratamento
O IBM Watson desenvolveu um software que fornece opções de tratamento baseadas em evidências para oncologistas. Ele foi projetado para analisar dados estruturados e não estruturados em prontuários médicos que possam contribuir para a tomada de decisão sobre as vias de tratamento. O software combina dados do prontuário do paciente com experiência clínica e trabalhos de pesquisa para sugerir planos de tratamento promissores. Existem muitos exemplos semelhantes em outras especialidades. A criação de um plano de entrega de radioterapia otimizado geralmente leva dias. As tecnologias baseadas em IA ajudam a acelerar esse processo, concluindo-o em alguns minutos.
Criação de drogas
A maneira como as empresas farmacêuticas desenvolvem novos medicamentos por meio de testes clínicos pode levar vários anos e custar bilhões de dólares. Acelerar isso e ao mesmo tempo torná-lo mais econômico teria um efeito enorme na saúde. A empresa Atomwise usa supercomputadores para eliminar tratamentos de um banco de dados de estruturas moleculares. Eles também lançaram uma busca por uma combinação até então desconhecida de medicamentos seguros e existentes e em poucos dias encontraram dois medicamentos previstos pela tecnologia de IA da empresa que podem reduzir significativamente a infectividade do Ebola. Essa análise normalmente levaria meses ou anos.
Ferramentas de triagem
É crucial ser capaz de prever a gravidade da condição médica de um paciente para apoiar a identificação precoce daqueles que são vulneráveis e de alto risco, especialmente em serviços médicos de emergência. Em um estudo, os autores desenvolveram e validaram um algoritmo baseado em IA usando aprendizado profundo que previu com precisão a necessidade de cuidados críticos de pacientes e superou as ferramentas convencionais de triagem e os escores de alerta precoce. Em outro estudo, os autores analisaram ferramentas de triagem online de mais de 150.000 interações de pacientes com um chatbot e descobriram uma diminuição do nível de urgência do nível pretendido de cuidados dos pacientes em mais de um quarto dos casos. Ambos os estudos indicam que as tecnologias baseadas em IA podem facilitar a triagem antes mesmo que os pacientes cheguem ao local de atendimento.
Fonte: https://www.nature.com/articles/s41746-020-00333-z
Para saber mais: https://www.nature.com/articles/s41467-020-17419-7