Inteligência artificial na área da saúde
Acesso rápido
Machine learning
Redes neurais
Deep learning
IA na área da saúde
Descoberta de novos medicamentos
Aprimoramento de pesquisas científicas
Auxílio em diagnósticos e tratamentos
Monitoramento de tratamentos
Prontuário eletrônico
Simplificação de processos
Maior assistência ao paciente
Percepção dos profissionais da saúde
Benefícios e como inserir a IA na prática clínica
Easy Health + IA
Conteúdos relacionados
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.
O que é inteligência artificial?
Inteligência artificial (IA) compreende o uso de algoritmos matemáticos especializados, que dão às máquinas a capacidade de realizar funções de resolução de problemas, reconhecimento de palavras ou objetos e tomada de decisões.
É um ramo da ciência da computação que tem como objetivo imitar processos de pensamento, habilidades de aprendizagem e gestão do conhecimento. As máquinas podem aprender por meio dos dados a construir algoritmos e, dessa forma, podem resolver os problemas de previsão sem ajuda humana.
Em uma situação hipotética, um profissional de saúde tem uma lista de pacientes em seu prontuário, com informações sobre sua saúde, sintomas e tratamentos. Então, ele deseja utilizar IA para encontrar padrões nesses dados e prever quais pacientes podem ter complicações após uma cirurgia.
Para isso, um programa de IA seria “alimentado” com esses dados, de modo a utilizar algoritmos para examiná-los e identificar padrões de risco. Por exemplo, pode descobrir que pacientes com certas condições de saúde, como hipertensão arterial ou diabetes mellitus, têm maior probabilidade de desenvolver algumas complicações específicas pós-cirúrgicas. Isso possibilita ao profissional uma tomada de decisão mais rápida e eficiente, pois atitudes de precaução – que podem ir desde a escolha da anestesia, medicamentos, dieta e recomendações pré e pós-cirurgia – podem ser tomadas para garantir uma recuperação otimizada do paciente.
Aprendizado de máquina (machine learning), redes neurais e aprendizado profundo (deep learning) são subconjuntos da IA.
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.
• aprendizado supervisionado: é o de maior aplicabilidade até o momento. Nessa situação, a máquina recebe conjuntos de dados que incluem as entradas (como características de pacientes) e as respostas corretas (como diagnósticos médicos) durante o treinamento. Ela aprende a associar as entradas às saídas corretas, o que é útil para auxiliar no diagnóstico de doenças a partir de exames de imagem, por exemplo.
• aprendizado não supervisionado: a máquina recebe apenas os dados de entrada, sem respostas rotuladas. Ela procura por padrões escondidos nos dados por conta própria. Isso é útil para descobrir novos insights, como identificar diferentes tipos de pacientes com base em suas características de saúde, sem a necessidade de orientação humana. Um exemplo seria a detecção de possíveis complicações pós-cirúrgicas em pacientes com comorbidades, possibilitando ao profissional se antecipar em suas condutas para prevenir desfechos ruins.
• aprendizado por reforço: a máquina toma ações em um ambiente e é recompensada ou punida com base em suas ações. Por exemplo, ao selecionar tratamentos para doenças, o modelo pode experimentar diferentes abordagens e aprender com os resultados, dependendo do feedback do profissional para o aperfeiçoamento da máquina. É como um híbrido entre os dois tipos anteriores, onde a máquina está constantemente tentando melhorar sua precisão por meio da experiência.
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.
IA na área da saúde
A utilização da IA na área da saúde é um campo de infinitas possibilidades. Áreas como radiologia e oncologia se mostram pioneiras, enquanto cardiologia e psiquiatria, por exemplo, são promissoras.
Na área médica, a IA pode ser dividida em dois subtipos: a virtual e a física. A virtual compreende desde sistemas de registros eletrônicos até orientações baseadas em redes neurais nas decisões de tratamento. Já a parte física trata de robôs auxiliando na realização de cirurgias, próteses inteligentes e atendimento a idosos.
De acordo com a literatura, muita IA já está sendo utilizada na área da saúde: agendamento online de consultas, check-ins em centros médicos, digitalização de prontuário, lembrete de consulta, datas de imunização para crianças e gestantes e até algoritmos de dosagens e efeitos adversos de medicamentos durante a prescrição múltipla.
![](https://prescritor.essentia.com.br/wp-content/uploads/2024/06/4883.CR_inteligencia_artifical-img-03.png?x33313)
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.
Percepção dos profissionais da saúde
Apesar de estar em ascensão, a IA ainda é um tema desconhecido para muitos profissionais de saúde. Uma pesquisa realizada com 207 médicos e estudantes de medicina verificou que apenas 2,9% dos médicos e 9,8% dos estudantes frequentaram algum curso sobre IA no ano anterior.
Por outro lado, há profissionais que buscam compreender melhor essa tecnologia para aprimorar seu trabalho. Um estudo feito com 23 profissionais de enfermagem sobre o papel da IA na definição do futuro da saúde é um exemplo: ferramentas de inteligência artificial foram vistas como promissoras e os participantes destacaram a possibilidade de agilizar processos e aliviá-los de tarefas analíticas, permitindo a eles concentração nas áreas humanas de cuidado ao paciente, fornecendo uma abordagem mais integral e centrada no indivíduo. Essa mudança de foco é fundamental para melhorar a satisfação do paciente e a experiência geral de saúde.
Pesquisadores coreanos investigaram o conhecimento da IA entre os médicos (n = 669) e avaliaram suas atitudes em relação à aplicação médica da mesma. Apenas 5,9% dos entrevistados relatou boa familiaridade com IA. Entretanto, a maioria (83,4%) considerou-a útil na área médica. A vantagem de usar IA foi vista como a capacidade de analisar grandes quantidades de dados clinicamente relevantes, de alta qualidade e em tempo real. Ainda, os participantes concordaram que a área da medicina em que a tecnologia seria mais útil é no diagnóstico de doenças. Um possível problema citado foi a incapacidade da IA auxiliar em situações inesperadas devido a informações inadequadas. 43,9% dos médicos concordaram que a IA é diagnosticamente superior aos médicos humanos e 35,4% respondeu que a IA poderia substituí-los em seus empregos.
![](https://prescritor.essentia.com.br/wp-content/uploads/2024/06/4883.CR_inteligencia_artifical-img-05.png?x33313)
Principais resultados do questionário. IA: inteligência artificial (Oh et al., 2019).
Benefícios e como inserir a IA
na prática clínica
O progresso tecnológico só avança, e a tecnologia médica não é exceção. O avanço da IA e ML mostrou que essa tecnologia não substituirá o trabalho dos clínicos, mas aumentará a entrega de cuidados. É o profissional que tem a capacidade de demonstrar empatia, compaixão e o raciocínio complexo sob condições incertas, características primordiais para o sucesso em um atendimento e tratamento. Além disso, apesar do auxílio fornecido pela IA no diagnóstico e tratamento de doenças, a decisão final segue sendo do profissional, pois só ele tem a capacidade de analisar o paciente em sua integralidade e seu contexto.
Dados os benefícios apontados ao longo do texto, como auxílio de diagnóstico, monitorização de tratamentos e vantagens em questões de prontuário eletrônico e simplificação de processos, é evidente que a IA traz benefícios para o dia a dia do consultório, possibilitando a expansão do conhecimento, e a sua implementação eleva a qualidade do atendimento oferecido ao paciente.
Easy Health + IA
O Easy Health é uma plataforma projetada para aprimorar a prática clínica, auxiliar no gerenciamento do atendimento e melhorar a experiência do profissional e a do paciente. Com o intuito de simplificar ainda mais o atendimento, mantendo a segurança e a qualidade, foi criada a Easy Health + IA.
Equipado com tecnologia de ponta, como, por exemplo, a base de dados MedSearch, que é um software que oferece serviços como transcrição inteligente, plataforma de pesquisa científica e alerta de interações medicamentosas na prescrição múltipla.
Além disso, o Easy Health + IA tem a capacidade de analisar os dados em tempo real, propondo possíveis diagnósticos e tratamentos e otimizando o tempo em consultório, mas mantendo a autonomia do profissional de saúde para que ele se dedique àquilo que apenas ele sabe fazer.
Este material é de apoio técnico para prescritores e é proibida a sua divulgação para consumidores, nos termos do item 5.14 da RDC 67/2007.
Conteúdos relacionados
AMISHA et al. Overview of artificial intelligence in medicine. Journal Of Family Medicine And Primary Care, v. 8, p. 2328-2331, 2019.
BOILLAT, Thomas; A NAWAZ, Faisal; RIVAS, Homero. Readiness to Embrace Artificial Intelligence Among Medical Doctors and Students: questionnaire-based study. Jmir Medical Education, v. 8, n. 2, 2022.
CIUSDEL, Costin et al. Deep Neural Networks for ECG-free Cardiac Phase and End-Diastolic Frame Detection on Coronary Angiographies. Computerized Medical Imaging And Graphics, v. 84, 2018.
GEETHA, V.; APRAMEYA, K. S.; HINDUJA, Dharam M.. Dental caries diagnosis in digital radiographs using back-propagation neural network. Health Information Science And Systems, v. 8, n. 1, 2020.
GUPTA, Rohan et al. Artificial intelligence to deep learning: machine intelligence approach for drug discovery. Molecular Diversity, v. 25, n. 3, p. 1315-1360, 2021.
HOERLLE, Natalia. Inteligência artificial na saúde: aplicações, tendências e benefícios. 2023. Disponível em: https://upflux.net/pt/blog/inteligencia-artificial-na-saude/. Acesso em: 17 abr. 2024.
ITCHHAPORIA, Dipti. Artificial intelligence in cardiology. Trends In Cardiovascular Medicine, v. 32, n. 1, p. 34-41, 2022. KANNATHAL, N et al. Classification of cardiac patient states using artificial neural networks. Experimental & Clinical Cardiology, v. 8, n. 4, p. 206-211, 2003.
LARENTZAKIS, Andreas; LYGEROS, Nik. Artificial intelligence (AI) in medicine as a strategic valuable tool. Pan African Medical Journal, v. 38, n. 184, 2021.
MATHENY, Michael E. et al. Artificial Intelligence in Health Care. Jama, v. 323, n. 6, p. 2-3, 2020.
OH, Songhee et al. Physician Confidence in Artificial Intelligence: an online mobile survey. Journal Of Medical Internet Research, v. 21, n. 3, 2019.
OSSOWSKA, Agata; KUSIAK, Aida; ŚWIETLIK, Dariusz. Artificial Intelligence in Dentistry—Narrative Review. International Journal Of Environmental Research And Public Health, v. 19, n. 6, p. 1-2, 2022.
RONY, Moustaq Karim Khan et al. Artificial intelligence in future nursing care: exploring perspectives of nursing professionals - a descriptive qualitative study. Heliyon, v. 10, n. 4, 2024.
SAK, Jarosław; SUCHODOLSKA, Magdalena. Artificial Intelligence in Nutrients Science Research: a review. Nutrients, v. 13, n. 2, 2021.
SILVA, Helbert Eustáquio Cardoso da et al. The use of artificial intelligence tools in cancer detection compared to the traditional diagnostic imaging methods: an overview of the systematic reviews. Plos One, v. 18, n. 10, 2023.
SINSKY, Christine et al. Allocation of Physician Time in Ambulatory Practice: a time and motion study in 4 specialties. Annals Of Internal Medicine, v. 165, n. 11, 2016.
YAKAR, Derya et al. Do People Favor Artificial Intelligence Over Physicians? A Survey Among the General Population and Their View on Artificial Intelligence in Medicine. Value In Health, v. 25, n. 3, p. 374-381, 2022.
Comentários