Inteligência artificial na área da saúde

Assim como em muitas profissões, a inteligência artificial (IA) também é uma realidade na saúde. Já é possível observar suas aplicações em diversas áreas, como em pesquisas científicas, diagnósticos, tratamentos e prontuário eletrônico.

Siga a leitura e entenda como a IA na área da saúde pode beneficiar a prática clínica e os cuidados com o paciente, de modo a otimizar o tempo de consulta e aprimorar ainda mais a autonomia do profissional de saúde, que é o responsável pela tomada de decisão final.

Machine learning

O machine learning (ML) abrange técnicas de resolução de problemas complexos com big data – nome dado à enorme quantidade de dados que, devido ao seu volume e complexidade, não pode ser facilmente gerenciada ou analisada.

O ML identifica padrões de interação entre variáveis, utilizando software que permite aprendizagem e tomada de decisão. O aprendizado pode ser supervisionado, não supervisionado ou por reforço.

Deep learning

O deep learning (DL) faz parte das redes neurais onde o computador aprende sozinho como processar os dados. O DL tenta imitar o funcionamento do cérebro humano no processamento de dados e na criação de padrões para uso na tomada de decisões.

Ele usa múltiplas camadas de redes neurais artificiais que podem gerar previsões automatizadas a partir de entradas.

Redes neurais

As redes neurais (ANNs) usam neurônios artificiais, semelhantes às redes neurais humanas, imitando o cérebro. Elas são capazes de simular habilidades como resolução de problemas, além da capacidade de aprendizagem e tomada de decisão.

As ANNs possuem três camadas: camada de entrada (onde as informações entram no sistema), camada oculta (onde os dados são processados) e camada de saída (onde o sistema decide o que fazer).

Um exemplo de como as redes neurais podem beneficiar os profissionais da área da saúde é a capacidade de diagnóstico. Uma vez treinada, a máquina desenvolve a capacidade de ler e interpretar exames de imagem, identificando tumores, neoplasias, doenças pulmonares e até mesmo cáries.

Aplicações da inteligência artificial na área da saúde.

A promessa da IA nessa área oferece oportunidades para melhorar os resultados dos pacientes, influenciando na saúde populacional. Além disso, é de grande valia no auxílio aos profissionais da saúde, pois a geração atual de dados excede a capacidade cognitiva de gerenciar essas informações, algo que a IA pode ser treinada para fazer. Dessa forma, há um melhor gerenciamento do tempo, otimizando a rotina e a qualidade do atendimento do profissional, seu dia a dia e o tempo de consultório, possibilitando maior foco nas questões específicas do paciente. Saiba mais sobre as principais áreas beneficiadas atualmente:

Descoberta de novos medicamentos

A descoberta e o design de novos medicamentos compreendem etapas longas e complexas, que vão desde a seleção e a validação de alvos, triagem terapêutica e otimização de compostos, até ensaios pré-clínicos e práticas de fabricação. Nesse sentido, estudos pontuam que a IA se mostra uma ferramenta útil, visto que reduz o tempo e o custo desse processo.

Algoritmos de ML e DP foram implementados em etapas como síntese de peptídeos, previsão de toxicidade, atividade físico-química e interação fármaco-nutriente. Com a utilização de ML, é mais fácil determinar a estrutura tridimensional de uma proteína alvo, por exemplo, um passo crítico na descoberta de medicamentos.

Além disso, a alta taxa de insucesso dos ensaios clínicos aumenta a ineficiência do processo de desenvolvimento de medicamentos. Com a introdução da IA, as taxas de sucesso desses ensaios clínicos melhoraram drasticamente. Por exemplo, um sistema desenvolvido pela IBM Watson cria perfis detalhados de resultados clínicos. Ao analisar a toxicidade e os efeitos colaterais com maior taxa de sucesso, os modelos em IA também podem reduzir os custos dos ensaios clínicos.

Aprimoramento de pesquisas científicas

Além da produção científica relacionada ao desenvolvimento de novos medicamentos, outras áreas de pesquisa também parecem se beneficiar do uso da IA.

Os modelos computacionais de redes neurais são um dos métodos utilizados para compreender o funcionamento do sistema nervoso humano. Devido a impossibilidade de estudo em condições naturais e limitações dos métodos modernos de pesquisa, a IA auxilia em pesquisas científicas do ramo.

Outros exemplos são a diferenciação de cepas de bactérias, o desenvolvimento de protocolos de triagem para doenças e a criação de ferramentas de apoio às atividades alimentares e de suplementação.

Os métodos estatísticos tradicionalmente utilizados para estabelecer correlações, associações, mediações e razões podem ser enriquecidos pela tecnologia emergente devido a sua capacidade de analisar grandes bancos de dados de forma rápida e eficiente.

Auxílio em diagnósticos e tratamento

Nos últimos anos, algoritmos de ML têm se mostrado eficientes e confiáveis para detectar e auxiliar no diagnóstico de doenças. Muitos desses algoritmos receberam aprovação da Food and Drug Administration (FDA) dos Estados Unidos para o seu uso na saúde.

Os raios X têm sido utilizados como entradas em algoritmos de ML para ensinar a máquina a diagnosticar doenças pulmonares ou detectar a idade óssea, por exemplo. As redes neurais, alimentadas com tomografia computadorizada (TC) de tórax de fumantes, podem identificar e estadiar a doença pulmonar obstrutiva crônica.

Na cardiologia, a área de imagem cardíaca é uma promessa. Há evidências de uso de redes neurais para detectar cálcio coronariano, caracterização do volume de trombos, segmentação do átrio esquerdo, estenose coronariana, entre outros.

Pesquisadores treinaram uma rede neural profunda e avaliaram 27.900 angiogramas para detecção totalmente automatizada da fase cardíaca e do quadro diastólico final e obtiveram uma precisão de 92,6%, sensibilidade de 92,4% e especificidade de 92,9%. Outro estudo utilizou uma rede neural profunda para classificar sinais de ecocardiograma de pacientes cardíacos em estados normais, anormais e potencialmente letais, e verificou que a classificação estava correta em aproximadamente 99% dos casos.

O auxílio no diagnóstico de câncer também é um campo em que ML e ANNs foram testados: detecção de malignidades em imagens patológicas, em mamografias de rastreamento, em TCs ou ressonância magnética e outros. Desempenho semelhante ao humano foi observado na detecção de neoplasias gastrointestinais, como câncer de esôfago e gástrico e pólipos no intestino grosso.

Por fim, o diagnóstico de doenças infecciosas em termos de identificação de patógenos e testes de suscetibilidade a antibióticos é viável através do processamento de ML. Na odontologia, redes neurais podem ser usadas para tornar o processo de diagnóstico mais preciso, rápido e eficiente. Um estudo utilizou uma rede neural para determinar se havia ou não cárie em 105 imagens radiográficas. A precisão da detecção foi de 97,1% e a taxa de falsos positivos foi de 2,8%.

Monitoramento de tratamentos

Os Países Baixos já utilizam a IA para a análise do seu sistema de saúde: detectando erros no tratamento, ineficiências no fluxo de trabalho e evitando hospitalizações e intervenções desnecessárias ao paciente.

A Universidade de Stanford está criando um programa de cuidados assistido por IA (PAC), que possui um sistema inteligente de apoio ao bem-estar de idosos e UTIs inteligentes, que detectarão mudanças comportamentais em idosos que vivem sozinhos e pacientes em UTI.

Assistentes virtuais para fornecer acompanhamento a pacientes que recebem alta hospitalar, como a enfermeira Molly, também estão sendo desenvolvidos, permitindo que a equipe de saúde possa se dedicar mais a casos urgentes.

Prontuário eletrônico

Os prontuários eletrônicos não foram originalmente desenvolvidos para prever risco de doenças ou opções de tratamento a serem considerados. Porém, quando combinados com ML, os dados do prontuário eletrônico podem fazer ambos, transformando o atendimento ao paciente.

Uma pesquisa descobriu que os médicos passavam 27% do seu dia de consultório diretamente com os pacientes, enquanto 49,2% eram gastos em registros eletrônicos e trabalhos administrativos. Em conclusão, os médicos que utilizam suporte documental, como assistência de transcrição inteligente ou serviços de escrita médica, têm tempo mais direto com seu paciente em comparação aos que não utilizam esses serviços.

Simplificação de processos

Além de detectar e auxiliar no diagnóstico de doenças, hospitais dos Estados Unidos e Canadá começaram a utilizar ML para análises de predição na gestão hospitalar. Prever efeitos adversos, taxa de mortalidade e número de pacientes no setor de emergência são algumas das usabilidades da ferramenta. Essa previsibilidade permite que os hospitais possam se precaver e tomar medidas para eventos adversos antes que eles ocorram.

Além disso, processos considerados complexos e demorados podem ser simplificados com o uso da IA equipada com base científica: a sugestão de carências nutricionais a partir dos sinais e sintomas do paciente, por exemplo, pode servir como guia para o profissional, economizando tempo de consultório. Ainda, a sugestão de fórmulas de suplementação com base nos dados individuais de cada paciente também já é uma realidade, possibilitando ao profissional a escolha com base na opção mais vantajosa em cada caso.

Maior assistência ao paciente

Conforme mencionado, o uso da IA em consultório e serviços de saúde para questões burocráticas, de gestão e de prontuário, por exemplo, possibilitam ao profissional maior tempo de qualidade com o seu paciente, concentrando-se naquilo que realmente importa.

Dessa forma, o profissional não perde informações importantes e pode fornecer atenção integral ao paciente durante a consulta, tendo um maior aproveitamento do tempo, permitindo a criação de vínculo e maior individualização do tratamento.

Principais resultados do questionário. IA: inteligência artificial (Oh et al., 2019).