Confira nosso guia de inteligência artificial na medicina em 2021
A inteligência artificial na medicina é um dos temas mais estudados atualmente. Afinal, essa tecnologia promete cobrir determinadas lacunas da prática médica desde a dificuldade de acesso e a predição de riscos de saúde até a estimativa de resposta a um determinado tratamento.
Por esse motivo, em diversos posts e podcasts do Saúde Digital, ela foi o tema central. Aqui, vamos rever alguns conceitos e revisar as últimas evidências publicadas em periódicos científicos. Veja os tópicos abordados neste post:
- O que é a inteligência artificial ou aprendizado de máquina?
- Como funciona a inteligência artificial?
- A aprendizagem de máquina supervisionada
- Aprendizado não-supervisionado
- Aprendizagem semi-supervisionada
- Evidências científicas atuais da aplicação da inteligência artificial na medicina:
- Inteligência artificial na avaliação de pólipos colorretais
- Inteligência artificial na neonatologia análise preditiva de óbitos neonatais.
- Inteligência artificial aplicada ao diagnóstico de câncer de próstata pela ressonância magnética
- Inteligência artificial na medicina: diagnóstico da doença pulmonar intersticial por imagem
- Inteligência artificial na gastroenterologia: diagnóstico e estadiamento da esteatose hepática não-alcóolica
O conteúdo deste post é relevantíssimo para médicos que querem incorporar inovações à prática clínica, buscam novas carreiras ou querem ver hot topics para a pesquisa clínica. Ficou interessado? Acompanhe!
O que é a inteligência artificial ou aprendizado de máquina?
São códigos computacionais capazes de aprender com as entradas de dados (input) que recebem. Assim, melhoram a sua capacidade de execução da tarefa e geram resultados cada vez melhores.
Como isso é possível? De forma geral, diversos dados apresentam padrões ocultos e tendências de comportamento. O aprendizado de máquina é um código de computador com a capacidade de “reescrever” partes de sua programação original à medida que percebe novos padrões de dados.
A partir disso, eles executam análises estatísticas extensas para gerar previsões sobre os novos inputs. Sendo assim, a cada inserção de informações, a precisão tende a aumentar.
Como funciona a inteligência artificial?
O Saúde Digital abordou este tema no post “Tipos de Aprendizado em Machine Learning: e eu com isso?”. Alguns pontos importantes serão revisados a seguir para um melhor entendimento das pesquisas.
A aprendizagem de máquina supervisionada
Neste caso, o input inicial da máquina é uma tarefa executada por um ser humano. Por exemplo, um radiologista avalia uma imagem de ultrassom e indica para o “robô” quais são as alterações em diversos exames de imagem.
Esse processo de treinamento leva diversos meses, pois, quanto mais inputs recebe de médicos, maior a chance de a ferramenta ser mais precisa. Inclusive, o treinamento de machine learning na medicina é um campo de trabalho em ascensão.
Depois dessa etapa, o software compara os exames reais com os padrões identificados durante o treinamento. Esse tipo de aprendizado pode ser utilizado quando sabemos os outputs desejados.
Para o contínuo desenvolvimento do sistema, os médicos treinadores reavaliam as conclusões da máquina e ela aprende com eventuais erros/acertos.
Aprendizado não-supervisionado
Pode abranger diversas tecnologias como a aprendizagem profunda (deep learning) e as redes neurais (neural networks). Nela, a máquina conta com um robusto código para análises estatísticas e probabilísticas.
A partir disso, diversos cenários matemáticos são simulados na máquina. Ou seja, ela é voltada para encontrar relações entre parâmetros. Veja algumas perguntas que ela tenta responder:
- quais indicadores de saúde estavam ligados a desfechos desconhecidos;
- quais sintomas e alterações em exames são mais comuns em um grupo de pacientes.
Aprendizagem semi-supervisionada
Neste caso, temos alguns outputs conhecidos, mas não sabemos as relações deles entre si e com os inputs fornecidos. O treinamento envolve o programador oferecer as variáveis já conhecidas. Então, a máquina faz o trabalho de estabelecer relações entre elas e as variáveis desconhecidas.
Por exemplo, um neonatologista tem os indicadores que predizem a morte na primeira semana de vida de acordo com os estudos científicos.
No entanto, precisa saber quais interrelações levam a uma melhor sensibilidade e especificidade de prever o desfecho “morte neonatal” para criar um escore mais preciso.
A inteligência de máquina semi-supervisionada é capaz de realizar essa tarefa e, em alguns casos, ainda dizer em quais situações a predição não é possível.
Evidências científicas atuais da aplicação da inteligência artificial na medicina
1. Inteligência artificial na avaliação de pólipos colorretais
A colonoscopia é uma ferramenta essencial para diagnosticar lesões precursoras ou consolidadas de neoplasias colorretais. No entanto, uma das críticas comumente feita a esses exames é a taxa de detecção baixa tanto para os pólipos quanto para os adenomas.
Nesta revisão sistemática publicada no European Journal of Gastroenterology and Hepatology, os autores avaliaram artigos publicados até 29 de fevereiro de 2020. Então, selecionaram 5 artigos sobre o tema, cujo somatório de pacientes foi de 4311.
A inteligência artificial foi empregada como ferramenta de auxílio à tomada de decisão do médico laudador, aumentadas (em comparação ao grupo controle) as taxas de:
- detecção de pólipos — odds ratio (OR) = 1.91 [95% confidence interval (CI) 1.68-2.16];
- detecção de adenomas — OR = 1.75 (95% CI 1.52-2.01).
O impacto da IA, apesar de ainda ser positivo, foi menor quando havia um preparo de colo adequado.
Nesse sentido, os autores concluem: “a IA aumenta as taxas de detecção de pólipos e adenomas na colonoscopia. Sem a assistência de IA, as taxas de detecção podem ser melhoradas com melhor preparação intestinal e treinamento para detecção de pequenos pólipos e adenoma”.
2. Inteligência artificial na neonatologia análise preditiva de óbitos neonatais
No mundo, cerca de 7.000 neonatos morrem todos os dias, representando uma parcela significativa dos óbitos até os 5 anos de idade. Diante desse relevantíssimo indicador de saúde, Mangold et al (2021) revisaram os estudos que avaliaram o uso da análise preditiva inteligente para a predição de óbitos neonatais neste artigo publicado na Neonatology.
Foram incluídos 11 estudos na revisão, abrangendo um total de 1,2 milhões de participantes com idade gestacional de 22 semanas até o termo. O número de indicadores utilizados pelas ferramentas variou de 3 a 66, com intervalo de predição desde “5 minutos de vida até um máximo de 7 dias de idade”.
Os desfechos avaliados foram a área sobre a curva e a sensibilidade/especificidade, cujos resultados foram:
- a área sobre a curva variou de 58,3% a 97,0%;
- as sensibilidades médias variaram de 63% a 80%;
- as especificidades de 78% a 99%.
Veja os principais indicadores avaliados pelas ferramentas de machine learning:
Com esses resultados, os autores expressaram as seguintes conclusões: “os modelos de ML podem prever com precisão a morte em neonatos (…). Os estudos futuros devem se concentrar na validação externa, calibração, bem como na implantação de aplicativos que podem ser prontamente acessíveis aos prestadores de cuidados de saúde”.
3. Inteligência artificial aplicada ao diagnóstico de câncer de próstata pela ressonância magnética
Syer et al (2021) partiram da premissa de que a inteligência artificial poderia melhorar a acurácia diagnóstica das técnicas não invasivas de avaliação do câncer de próstata. Com isso, poderia-se evitar a realização de biópsia desnecessárias desse órgão, as quais, — como já é lugar comum no meio médico —, trazem um impacto negativo para a qualidade de vida do paciente.
Para isso, os autores selecionaram estudos que comparavam a RM multiparamétrica, analisada pela IA e por médicos, em grupos de pacientes virgens de tratamento.
Em seus resultados, os autores relatam que os estudos que apontavam diferenças estatísticas eram realizados com pequenos grupos de pacientes em estudos que utilizaram bancos de dados endógenos. Os mesmos resultados não foram vistos quando bancos de dados mais amplos e exógenos eram utilizados.
Com isso, os autores concluem:
“Nossa revisão encontrou evidências insuficientes para sugerir a implantação clínica de algoritmos de inteligência artificial no momento.
É necessário mais trabalho para desenvolver e aplicar padrões metodológicos, promover o acesso a grandes conjuntos de dados diversos e realizar avaliações prospectivas antes que a adoção clínica possa ser considerada”.
4. Inteligência artificial na medicina: diagnóstico da doença pulmonar intersticial por imagem
Na doença pulmonar intersticial, a tomografia computadorizada de alta resolução é uma ferramenta que auxilia tanto no diagnóstico quanto no estadiamento dos casos. Contudo, em muitos cenários, não apenas os equipamentos são escassos, mas também os profissionais disponíveis para analisar as imagens.
Soffer et al (2021) avaliaram 19 estudos retrospectivos que utilizavam técnicas de aprendizagem de máquina profunda para “detecção, segmentação e classificação de DPI na TCAR”. Esses artigos relataram uma capacidade de detecção precisa de 78% a 91%.
Entretanto, os autores encontraram, em avaliação padronizada, um alto risco de viés em 15/19 (78,9%) dos estudos. Assim, concluem que:
“A IA tem o potencial de contribuir para o diagnóstico radiológico e classificação da DPI. No entanto, o desempenho da precisão ainda não é satisfatório e a pesquisa é limitada por um pequeno número de estudos retrospectivos. Portanto, os dados publicados existentes podem não ser suficientemente confiáveis. Apenas estudos prospectivos controlados bem desenhados podem avaliar com precisão o valor das ferramentas de IA existentes para avaliação de DPI”.
5. Inteligência artificial na gastroenterologia: diagnóstico e estadiamento da esteatose hepática não-alcóolica
A esteatose hepática não-alcoólica é a doença hepática mais prevalente atualmente. Seu diagnóstico confirmado é quase exclusivamente realizado por meio de exames de imagem ou análises anatomopatológicas, que podem ser desafiadores de laudar.
Por esse motivo, diversas pesquisas se concentraram no tema em formas de melhorar a acurácia diagnóstica ou no diagnóstico clínico baseado em IA.
Popa et al (2021) conduziram uma revisão sistemática publicada na revista Diagnosis em que avaliaram 37 artigos com aplicação de inteligência de :
- 15 artigos analisaram técnicas imagéticas;
- 15 artigos analisaram patologia digital;
- 7 artigos analisaram prontuários eletrônicos de saúde (CEP).
Todos os artigos relataram alta precisão diagnóstico de EHNA por softwares automatizados inteligentes. Dessa forma, os autores concluem:
Encontramos evidências significativas que demonstram que a implementação de um sistema automatizado completo para diagnóstico, estadiamento e estratificação de risco da DHGNA é atualmente possível, considerando a precisão, sensibilidade e especificidade das ferramentas baseadas em IA disponíveis.
Portanto, pelos que as evidências mostram, a inteligência artificial na medicina se tornará uma ferramenta valiosa na prática clínica. Com ela, novos horizontes se abrem para que o médico diversifique sua atuação e melhore a experiência dos pacientes.
Quer saber mais sobre esse tema? Não deixe de ler nosso post sobre a Saúde Digital e o Futuro da Medicina!
Participe do Saúde Digital
Deixe-nos saber o que você achou deste artigo! Você tem alguma dica para dar para o Saúde Digital? Quer sugerir um tema? Sua participação é muito importante! Clique aqui para falar conosco.
Você pode falar também diretamente com o host Lorenzo Tomé pelo Instagram, Linkedln ou Telegram no @lorenzotome.
Conheça o SDConecta!Lá tem mais assuntos como este e uma comunidade de inovadores da saúde para conectar com você. Clique aqui para acessar!