Terapias Alívio da Dor & Outros - by dorcronica.blog.br

Um breve guia para médicos na era da inteligência artificial

Um breve guia para médicos na era da inteligência artificial

Espera-se que a inteligência artificial (IA) influencie significativamente a prática da medicina e a prestação de cuidados de saúde num futuro próximo. No entanto, existem tantos artigos, palestras em conferências, manchetes de notícias enganosas e interpretações de estudos que um guia breve e visual para médicos pode ser útil. É fundamental que os médicos entendam os fundamentos da tecnologia para que possam ver além do exagero, avaliar estudos baseados em IA e validação clínica; bem como reconhecer as limitações e oportunidades da IA. Este artigo, de autoria de dois cientistas húngaros, apresenta uma definição simples de IA, seus níveis, seus métodos, os benefícios e desafios potenciais, bem como uma visão do seu uso futuro na prática médica cotidiana.

Nota do blog: O artigo aqui resumido foi publicado na Nature em setembro 2020. Ou seja, há mais de 3 anos, o que seria uma eternidade em se tratando de tecnologia de IA. De fato, nesse período o debate em torno da inclusão da IA na medicina progrediu bastante, impulsionado por uma avalanche de novas aplicações, startups, e questões éticas (ainda não resolvidas). Contudo, para benefício do leitor pouco familiarizado com o seu tema central, o artigo ainda ilustra muito bem as diferentes versões (ou níveis) da IA e suas aplicações práticas no campo da medicina, no momento.

Autores: Bertalan Meskó & Marton Görög, npj Digital Medicine

Introdução

Espera-se que a inteligência artificial (IA) influencie significativamente a prática da medicina e a prestação de cuidados de saúde num futuro próximo. Embora existam apenas alguns exemplos práticos do seu uso médico com evidências suficientes, o entusiasmo em torno do tema não tem precedentes.1 Há uma lista crescente de publicações sobre o assunto na forma de artigos acadêmicos, relatórios sobre políticas de saúde, declarações de sociedades profissionais e cobertura da mídia popular.

A IA tem potencial na medicina, na concepção de medicamentos e nos cuidados de saúde, mas as provas e evidências ainda não são suficientemente convincentes para que o público em geral e a comunidade médica adotem a tecnologia.2

Existem tantos artigos, palestras em conferências, manchetes de notícias enganosas e interpretações de estudos que um guia breve e visual ao qual qualquer profissional médico pode consultar em sua vida profissional pode ser útil.

Não há dúvida de que IA terá um papel benéfico nos cuidados de saúde e só poderá ultrapassar os limites da adoção se os profissionais médicos servirem como guias e líderes conhecedores e de apoio no processo.3

Para isso, é fundamental que os médicos entendam os fundamentos da tecnologia para que possam ver além do exagero, avaliar estudos baseados em IA e validação clínica; bem como reconhecer as limitações e oportunidades que a IA tem. Este artigo pretende servir como um repositório curto, visual e digerível de informações e detalhes que todo médico pode precisar saber na era da IA.

Descrevemos a definição simples de IA, seus níveis, seus métodos, as diferenças entre os métodos com exemplos médicos, os benefícios potenciais, perigos, desafios da IA, bem como tentamos fornecer uma visão futurística sobre seu uso na medicina cotidiana prática.

Definição e níveis de IA

IA é um campo interdisciplinar que abrange ciência da computação, psicologia, linguística e filosofia, entre outros. De acordo com a sua definição mais simples, a inteligência artificial (IA) é a inteligência demonstrada por máquinas. Às vezes, também é descrito como “máquinas que imitam funções cognitivas que os humanos associam à mente humana, como aprendizagem e resolução de problemas”.4

Nick Bostrom, filósofo da Universidade de Oxford, descreveu três níveis principais no desenvolvimento da IA em seu livro Superinteligência.

A Inteligência Artificial Estreita já possui incríveis habilidades de reconhecimento de padrões em enormes conjuntos de dados, o que a torna perfeita para resolver problemas de classificação e agrupamento baseados em texto, voz ou imagem. É um algoritmo que pode se destacar em uma tarefa única definida com precisão. Ele pode jogar xadrez como ninguém, mas seu QI é zero. A Inteligência Artificial Geral poderá um dia ter a capacidade cognitiva abrangente e total de um ser humano. Este é o nível humano de IA. Ele pode raciocinar, argumentar, memorizar e resolver problemas como você faz com a Superinteligência Artificial, que teoricamente poderia ter a capacidade cognitiva combinada da humanidade ou até mais. A humanidade, obviamente, não seria capaz de apreender o seu conhecimento e compreender o seu raciocínio. Muitas organizações trabalham duro para evitar chegar a esse estágio.

Como a IA trabalha?

A IA funciona por meio de um método chamado aprendizado de máquina. Como existem desafios e tarefas tão complicadas na área da saúde que escrever algoritmos tradicionais para resolvê-los não era mais suficiente, era necessário um novo método. O aprendizado de máquina dá aos computadores a capacidade de aprender sem serem explicitamente programados.6 Se você alimentar o algoritmo com dados suficientes e de boa qualidade, o aprendizado de máquina permitirá que eles criem estratégias para se destacar naquela tarefa específica.

Se eu quiser escrever um programa que consiga identificar gatos em fotos, é melhor recorrer ao aprendizado de máquina. As razões tornam-se rapidamente claras se tentarmos elaborar regras nas quais tal programa se deva basear. Como você pode identificar um gato em uma foto? Se você criar características que acha que retratam facilmente gatos, como ter duas orelhas, dois olhos, quatro pernas e assim por diante, você se encontrará em uma situação em que também terá que definir todas essas expressões. O que é um orelha para um programa que apenas “vê” pixels em uma foto?

Portanto, a maneira mais eficiente é alimentar um algoritmo de aprendizado de máquina com imagens de gatos, de preferência com gatos que foram anotados manualmente por seres humanos para garantir que as imagens contenham gatos. Quanto mais imagens anotadas alimentarmos o algoritmo, melhor ele se tornará no reconhecimento de gatos nas imagens. Ele não entenderá o que é um gato, mas certamente reconhecerá o que pensamos ser gatos nas fotos, como fazemos com uma eficiência crescente e implacável.

Não importa qual tarefa 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 e aprendizagem profunda, 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 chega a 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 compreender 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 compreender mais do que os fundamentos teóricos.

Exemplos da vida real para os subtipos de aprendizado de máquina

O aprendizado de máquina tem muitos subtipos e métodos combinados, mas apresentamos apenas os três subtipos principais, além de um método avançado, o aprendizado profundo.

  • Na aprendizagem supervisionada, o professor (desenvolvedor) sabe o que quer ensinar à criança (I.A.), define a resposta esperada e a criança aprende a se destacar na tarefa.
  • Na aprendizagem não supervisionada, o professor não influencia a forma como a criança aprende a brincar, mas observa as conclusões que a criança pode tirar ao resolver a tarefa.
  • 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 de a tarefa ser concluída e pede à criança que descubra a sua própria estratégia usando os resultados que o professor recompensou.
  • Na aprendizagem profunda, é possível analisar conjuntos de dados muito mais complexos, desde imagens e vídeos até uma espécie de raciocínio humano. É multicamadas e pode imitar o funcionamento das redes neurais no cérebro.

Aprendizagem supervisionada

É usada quando podemos definir com precisão a tarefa que queremos que o algoritmo aprenda com base nos dados que já temos. Vejamos o seguinte exemplo. Temos dois conjuntos de prontuários de pacientes, grupo A e B. Em um conjunto temos histórico familiar, marcadores laboratoriais e outros detalhes com o diagnóstico. No outro conjunto, temos os mesmos tipos de dados, mas sem o diagnóstico. Gostaríamos de construir um modelo que pudesse aprender a atribuir o diagnóstico correto aos pacientes do grupo B com base nas associações e rótulos que o algoritmo aprende no grupo A. É como aprender com um professor porque sabemos exatamente o que o algoritmo deve aprender. Ela é de longe o modo de treinamento usado com mais frequência.

Aprendizagem não supervisionada

Ela é como aprender sem professor. Temos um grupo de pacientes com diferentes conjuntos de dados, mas não sabemos seus diagnósticos individuais. Construímos um modelo para tentar agrupar os pacientes com base em atributos semelhantes, como os sintomas que apresentaram, seus marcadores laboratoriais ou idade e sexo. Poderemos aprender novas associações que não vimos antes. Noutro exemplo, também pode ser útil no agrupamento de amostras de tecido com base em valores de expressão genética semelhantes; ou na descoberta de novas interações medicamentosas. Em resumo, elaboramos certas regras, deixamos o algoritmo aprender por si só e não modificamos o algoritmo com base no resultado.

Aprendizagem por reforço

Permite que o algoritmo aprenda como completar as tarefas com uma sequência de decisões por si só, sem ser informado como fazê-lo. O professor só consegue dar feedback após uma série de ações, e não para cada item como acontece no aprendizado supervisionado. O modelo começa a realizar a tarefa conhecendo apenas algumas regras básicas, e após falhar ou ter sucesso na conclusão da tarefa, o professor pondera para pressioná-lo a usar mais a estratégia vencedora. Dessa forma, o programa pode construir suas próprias experiências à medida que executa cada vez mais a tarefa. É semelhante à forma como treinamos cães. Quando o cão realiza ou tenta realizar uma tarefa, só lhe damos um petisco se ele tiver um bom desempenho.

O exemplo mais famoso desse método é como o AlphaZero pode aprender a se tornar o melhor jogador em qualquer jogo de 2 jogadores em horas, jogando milhões de partidas contra si mesmo. Ele começa a jogar conhecendo apenas suas regras básicas, e os desenvolvedores informam ao algoritmo quando ele vence uma partida para priorizar essa estratégia durante o próximo jogo.7

Num exemplo, os autores utilizaram este método para determinar a dosagem do ensaio clínico, onde o algoritmo aprendeu o regime de dosagem apropriado para reduzir os diâmetros médios dos tumores em pacientes submetidos a quimioterapia e radioterapia.8 O principal desafio da aplicação da aprendizagem por reforço aos cuidados de saúde é que não podemos representar um grande número de cenários, pois a vida dos pacientes está em jogo.

Aprendizado de máquina versus modelos estatísticos tradicionais

A IA é um domínio enorme que inclui aprendizado de máquina, algoritmos evolutivos, mas também métodos que nem sequer processam dados quantitativos. Portanto, faz sentido comparar o aprendizado de máquina aos métodos estatísticos tradicionais.

Os modelos estatísticos tradicionais concentram-se na descoberta de relações e intervalos de confiança entre pontos de dados e resultados. Comparado a isso, os métodos de aprendizado de máquina visam alcançar alta precisão de previsão, colocando menos ênfase na possibilidade de interpretar o modelo. O primeiro frequentemente analisa um determinado conjunto de dados em busca de insights, enquanto o último é treinado em um conjunto de dados, avaliado em um segundo conjunto e, em seguida, usado em um terceiro não visto.

Assim, a previsão é fundamental no aprendizado de máquina para gerar dados que de outra forma não estariam disponíveis (por exemplo, caros ou ainda não conhecidos). Além disso, o aprendizado de máquina costuma ser mais adequado para um grande número de variáveis ​​de entrada (pense em imagens com milhares de pixels), enquanto a análise tradicional com modelos estatísticos foi projetada para dados com dezenas de colunas de entrada.9

Aprendizado de máquina versus aprendizado profundo

O aprendizado de máquina é um amplo conjunto de métodos, a maioria deles foi usada décadas antes da atual IA. A maioria dos avanços são alcançados hoje em dia com redes neurais artificiais, mas existem vários outros modelos, cada um com suas próprias vantagens.

O aprendizado profundo é um subconjunto do aprendizado de máquina e, embora tenha funções semelhantes, seus recursos são diferentes. O aprendizado profundo usa uma estrutura em camadas de redes neurais artificiais inspirada na rede neural do cérebro humano. A estrutura interna e o número de camadas dentro de uma rede neural são um campo de pesquisa ativa, mas como regra geral podemos dizer que uma rede mais profunda com mais camadas pode aprender tarefas mais complexas – ao mesmo tempo que requer mais dados e mais tempo treinar. Os modelos profundos têm a capacidade de processar imagens, sons e outros dados de alta dimensionalidade com bons resultados, enquanto outros modelos de aprendizado de máquina podem ter melhor desempenho com dados organizados em uma planilha.

Olhando para um exemplo médico, vamos construir um modelo que possa agrupar pacientes por diagnóstico com base nos dados de seus registros médicos. Se um registro médico contiver a expressão Diabetes Tipo 1, um modelo de aprendizado de máquina aprenderá a colocar todos esses pacientes no cluster de Diabetes Tipo 1. Mas um algoritmo de aprendizagem profunda poderia aprender com o tempo, sem intervenção humana, que os pacientes com registos médicos que mencionam apenas DM1 também devem ser atribuídos ao mesmo grupo. Os programadores de outros algoritmos de aprendizado de máquina devem adicionar eles próprios essas alternativas.

Outro exemplo também pode demonstrar o poder e o potencial do aprendizado profundo. Gostaríamos de construir um modelo que acenda a luz se gritarmos a palavra escuro. Um modelo de aprendizagem profunda, com o tempo, aprenderia que dizer “não consigo ver” ou “está escuro aqui” também deveria acender a luz.

Como avaliar notícias e estudos sobre IA?

Dificilmente passa um dia sem trabalhos de pesquisa e estudos promissores sobre como aplicar aprendizado de máquina e aprendizado profundo a problemas médicos. No entanto, como já mencionei, IA melhora as perspectivas das empresas em qualquer mercado, e exagerar no marketing do que um algoritmo pode fazer é um fenômeno cotidiano. Ainda existem maneiras que ajudam a avaliar artigos de pesquisa e notícias sobre IA. Existem algumas perguntas gerais que podemos nos fazer enquanto lemos estudos de IA médica.10,11

Tabela 1

  • Um resumo de algumas questões gerais que leitores de um artigo médico de IA podem querer se perguntar para avaliar a qualidade dos resultados de uma pesquisa.
  • Que aspectos da prática clínica existente este sistema reforça?
  • Os tamanhos dos conjuntos de treinamento, validação e teste são justificados?
  • Como podemos ter certeza de que os dados de treinamento correspondem ao que esperamos ver na vida real e não contêm preconceitos?
  • Como podemos ter certeza da qualidade dos “rótulos” nos quais o sistema é treinado?
  • Foi o algoritmo de IA treinado usando um padrão de referência amplamente aceito em nossa área?
  • Foi a maneira como o algoritmo IA toma decisões demonstradas?
  • Foram os resultados do algoritmo IA comparados com especialistas na minha área?
  • O sistema é aplicado ao mesmo contexto de diagnóstico em que foi treinado?
  • É o algoritmo IA disponível publicamente?

Além de características óbvias, como a qualidade do periódico em que o artigo foi publicado (avanços reais tendem a atrair a atenção de periódicos de alto nível), o fator mais importante é a fonte dos dados. É importante a origem dos dados, por isso vale a pena conferir a seção ‘Métodos’ onde os autores descrevem como, onde e que tipo de dados receberam. Nenhum algoritmo pode ser treinado sem uma boa quantidade de dados de qualidade.

Além disso, o tamanho do conjunto de dados também é importante: quanto mais imagens, texto ou qualquer outro material de origem os investigadores tiverem, mais precisos os algoritmos podem tornar-se. Colaborações com médicos e instituições de saúde são cruciais para obter grandes quantidades de dados de qualidade. Caso contrário, alguns grupos de pesquisa fazem truques em seu conjunto de dados para aumentá-lo (por exemplo, girar imagens para dobrar o tamanho do banco de dados).

O desempenho relatado (por exemplo, precisão, velocidade) do algoritmo deve ser comparado com soluções e habilidades humanas previamente existentes. Mesmo uma solução técnica de última geração pode ter um desempenho tão pior do que o dos profissionais humanos num ambiente clínico do mundo real, que pode não ser de todo útil. É crucial que tais tecnologias sejam avaliadas se podem ser facilmente implementadas em protocolos clínicos e se os resultados são fáceis de interpretar pela equipe médica.

Também é fundamental verificar se o artigo analisou um problema clínico real. Um algoritmo pode funcionar muito bem em um conjunto de dados pré-selecionado; no entanto, também deve ser testado em dados clínicos reais. A DeepMind afirmou em seu estudo publicado que seu modelo foi capaz de prever com precisão que um paciente desenvolverá insuficiência renal aguda “dentro de uma janela clinicamente acionável” com até 48 horas de antecedência.12 Embora o algoritmo tenha feito isso, ele não pode ser validado clinicamente sem testá-lo prospectivamente em um ambiente clínico.

Além disso, ao analisar as últimas notícias sobre algoritmos inteligentes, você deve estar atento ao seguinte para poder avaliar cuidadosamente a qualidade de um determinado artigo relacionado à IA. O próprio termo “inteligência artificial” pode ser enganoso, pois devido ao uso excessivo da expressão, seu significado começou a ficar inflado. Se um anúncio ou artigo de notícias mencionar IA sem descrever o método exato, é um bom sinal ser cético e cuidadoso. Uma empresa ou grupo de pesquisa deve mencionar um subtipo de máquina ou aprendizado profundo e ser capaz de explicar detalhadamente o método com o qual pretende criar IA.

Num exemplo relevante ocorrido na Tailândia, um algoritmo apoiado pelo Google visava melhorar os cuidados. Lá, normalmente, as enfermeiras tiravam fotos dos olhos dos pacientes durante os check-ups e as compartilhavam para serem analisadas por um especialista em outro lugar. Esse processo pode levar até 10 semanas. A IA desenvolvida pelo Google Health identificou sinais de retinopatia diabética em um exame oftalmológico com uma precisão de mais de 90% e forneceu um resultado em menos de 10 minutos. Quando o Google começou a colocar esse sistema em prática, eles se depararam com problemas da vida real. Às vezes, uma conexão ruim com a Internet impedia todo o funcionamento do sistema, pois todas as imagens tinham que ser carregadas na nuvem por meio de uma conexão forte. Se a qualidade da varredura não atingisse um determinado limite, ela simplesmente não daria resultado (o algoritmo de aprendizado profundo precisa ser alimentado com imagens de alta qualidade para melhorar). Dessa forma, os enfermeiros tiveram que perder tempo editando algumas das imagens que o algoritmo optou por não analisar. Os desenvolvedores tiveram que viajar até o local para ajudar a resolver esses problemas.13

Em resumo, a revista médica Radiology propôs um guia para autores, revisores e leitores para avaliar pesquisas radiológicas sobre inteligência artificial.10 Outras associações médicas e conselhos editoriais de revistas também poderão adotá-lo e personalizá-lo. Eles também descrevem uma lista de verificação que todo autor deve preencher ao publicar seu estudo de I.A. 

Exemplos de como a saúde pode se beneficiar da IA

Em suma, as tarefas que são altamente repetitivas e envolvem a análise de dados quantificáveis ​​podem beneficiar ao máximo da utilização da IA. Apresentamos alguns exemplos que fornecem uma imagem sobre toda a gama de oportunidades.

Melhorando as consultas presenciais e online

A Babylon Health lançou um aplicativo que oferece consultas baseadas em IA. Ele usa o histórico médico do paciente e o conhecimento médico comum. Os pacientes relatam seus sintomas por meio do aplicativo que os verifica em um banco de dados de doenças por meio de reconhecimento de fala. Depois disso, oferece um curso de ação.14

Assistência à saúde e gerenciamento de medicamentos

A startup médica Sense.ly desenvolveu Molly, uma enfermeira virtual que foi projetada para ter um rosto sorridente aliado a uma voz agradável. Seu objetivo é ajudar os pacientes no monitoramento de sua saúde ou no manejo de doenças entre as consultas médicas usando ML. Também oferece acompanhamento personalizado, com foco em doenças crônicas.15 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.16 Isto pode ser útil para pessoas com condições médicas graves ou participantes de ensaios clínicos.

Diagnósticos baseados em IA

Em 2020, o FDA aprovou um programa de software da empresa Caption Health que permite aos profissionais médicos realizarem imagens de ultrassom cardíaco sem treinamento especializado. Ele usa IA para fornecer orientação em tempo real e também a capacidade de salvar imagens com qualidade diagnóstica. Ele atua como um “copiloto” para quem realiza uma ultrassonografia, pois foi projetado para emular a orientação que um ultrassonografista especialista forneceria para otimizar a imagem. Ele fornece instruções sobre como manipular o transdutor e fornece feedback automatizado sobre a qualidade da imagem diagnóstica.17

Mineração de registros médicos

Coletar, armazenar, normalizar e rastrear registros médicos é uma etapa óbvia para a IA. Por exemplo, o Google Deepmind Health está cooperando com o Moorfields Eye Hospital NHS Foundation Trust para melhorar o tratamento oftalmológico por meio da análise de exames de retina. As imagens são analisadas pelos algoritmos da DeepMind resultando em um diagnóstico detalhado e na chamada “pontuação de urgência” em cerca de 30 segundos. O sistema protótipo pode detectar retinopatia diabética, glaucoma e degeneração macular relacionada à idade.18

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. A Oncompass Medicine usa algoritmos baseados em IA para combinar mutações genéticas encontradas em amostras de tumores de pacientes com ensaios clínicos em andamento em todo o mundo. Dessa forma, os pacientes podem receber tratamentos direcionados com precisão, específicos para o tipo de tecido canceroso que possuem.

Projetando 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 decisões sobre vias de tratamento. O software combina dados do prontuário médico do paciente com experiência clínica e trabalhos de pesquisa para sugerir planos de tratamento promissores.19 Existem muitos exemplos semelhantes em outras especialidades. A criação de um plano de administração de radioterapia otimizado geralmente leva dias. As tecnologias baseadas em IA ajudam a acelerar esse processo, concluindo-o em alguns minutos.20,21

Criação de medicamentos

A forma como as empresas farmacêuticas desenvolvem novos medicamentos através de ensaios clínicos pode levar vários anos e custar milhares de milhões de dólares. Acelerar este processo e ao mesmo tempo torná-lo mais rentável teria um efeito enorme nos cuidados de saúde. A empresa Atomwise usa supercomputadores para extrair 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 IA da empresa, tecnologia que pode reduzir significativamente a infecciosidade do Ébola. Tal análise normalmente levaria meses ou anos.22

Ferramentas de triagem

É crucial poder 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 aprendizagem profunda que previu com precisão a necessidade de cuidados críticos de pacientes e superou as ferramentas convencionais de triagem e pontuações de alerta precoce.23 Num outro estudo, os autores analisaram ferramentas de triagem online de mais de 150.000 interações de pacientes com um chatbot e encontraram uma diminuição do nível de urgência do nível de cuidados pretendido pelos pacientes em mais de um quarto dos casos.24 Ambos os estudos indicam que as tecnologias baseadas em IA podem facilitar a triagem mesmo antes dos pacientes chegarem ao local de atendimento.

Como uma tecnologia médica baseada em IA pode se tornar parte da prática cotidiana?

O sucesso da IA e o seu lugar na medicina e nos cuidados de saúde depende muito da sua capacidade de ultrapassar as fronteiras da medicina baseada em evidências, da falta de políticas e da relutância dos profissionais médicos em utilizá-la. Não há razão para acreditar que a sua utilização poderá tornar-se uma prática comum sem cumprir os padrões e requisitos das tecnologias anteriores.

No entanto, à medida que a demanda por IA a ser implementada na medicina quotidiana está aumentando por parte dos pacientes, dos decisores políticos, dos profissionais médicos e dos hospitais, o seu caminho desde os criadores até à prática terá de se tornar mais rápido.25 Um exemplo típico de como tem funcionado até agora está relacionado com Kardia, anteriormente conhecida como AliveCor.

Eles primeiro fizeram um case de smartphone aprovado pela FDA que funcionava como um ECG de derivação única em 2012. Eles lançaram dois ensaios clínicos para testar o hardware e o aplicativo comparando-o a um dispositivo tradicional de 12 derivações. Mais tarde, a evolução do seu design resultou num dispositivo do tamanho de um cartão de crédito e numa versão ainda menor em 2019. O dispositivo original podia fornecer um ECG de um canal tocando as pontas dos dedos do utilizador no sensor durante 30 segundos. Os resultados foram carregados na nuvem para torná-los acessíveis aos médicos. Em 2015, a Alivecor recebeu autorização da FDA para utilizar um algoritmo de análise das leituras para determinar questões relacionadas com o ritmo cardíaco sem ajuda humana.

No final de 2017, eles já usavam redes de aprendizagem profunda, e o FDA liberou o leitor de ECG da empresa, chamado KardiaBand, como um dispositivo médico acessório para o Apple Watch. Um estudo concluiu que o aparelho conseguiu distinguir entre fibrilação atrial e ritmo cardíaco normal com sensibilidade de 93 e especificidade de 94%, respectivamente. Sua sensibilidade aumentou para 99% quando um profissional médico revisou a leitura.26

Até 2020, os produtos da Alivecor foram testados em mais de 40 estudos clínicos. Apesar dessas conquistas, o uso do dispositivo ainda não é uma prática comum. E como outras empresas que produzem tecnologias médicas baseadas em IA estão atrasadas, isso poderá representar um longo período de adoção.

A IA só atingirá o estatuto de tecnologia médica quotidiana se as associações médicas fornecerem orientações claras sobre a sua implementação; se os decisores políticos criarem políticas que favoreçam a adoção; e se a comunidade médica não olhar para a IA como uma ameaça, mas sim como o estetoscópio do século XXI.

Quais são os principais desafios que temos pela frente?

Exemplos de Inteligência Artificial Estreita existem hoje, mas há questões importantes que o desenvolvedor de IA e a comunidade médica precisam enfrentar e enfrentar antes que a IA pode se tornar comum na medicina.

Explicabilidade

Os profissionais médicos tendem a tomar decisões usando dados obtidos com tecnologias que eles entendem ou entendem o básico o suficiente para confiar nelas. No caso da IA, pode não ser possível. No entanto, milhões de parâmetros aprendidos (os pesos das conexões dentro da rede) determinam a saída de uma rede neural profunda, o que torna pouco intuitivo o entendimento do processo de decisão. Mesmo se visualizarmos a sensibilidade de diferentes partes de uma rede e navegarmos por essas milhares de imagens ruidosas, ainda não veremos regras aprendidas fáceis de entender. O raciocínio não é um subproduto do algoritmo. Assim, IA explicável seria crucial para fornecer insights sobre algoritmos baseados em IA o suficiente para ganhar confiança neles.

Inteligência aumentada

Este é um termo frequentemente promovido por organizações como a American Medical Association. Centra-se no papel de assistência da IA nos cuidados de saúde, enfatizando que o design da IA melhora a inteligência humana em vez de a substituir. Também se refere ao valor que um IA pode fornecer para combinar as capacidades únicas dos especialistas humanos com as da IA para prestar melhor atendimento aos pacientes. Um termo semelhante relacionado à inteligência aumentada é “IA centrada no ser humano”, que explora a necessidade de desenvolvimento de sistemas baseados em IA que aprendam e colaborem com os humanos de uma forma profunda e significativa.

Qualidade e quantidade de dados

A IA alimenta-se de dados. Quanto mais dados e de melhor qualidade ele tiver acesso, mais ele poderá se destacar nas tarefas. Algoritmos avançados precisam de dados anotados para garantir que possam aprender a tarefa para a qual foram projetados. Existem profissionais médicos que atuam como anotadores de dados, o que é uma tarefa demorada e monótona. Alguns algoritmos médicos só podem melhorar através de grandes quantidades de dados anotados. Portanto, a contribuição dedicada dos anotadores de dados é de importância crucial para o benefício da implementação da IA no ambiente de saúde. Podemos concluir que os anotadores de dados são os heróis anônimos da revolução da IA médica.27

Questões de privacidade

IA médica precisa de acesso a registros médicos, dados de sensores de saúde, algoritmos médicos, aplicativos e qualquer fonte de informação com a qual possa aprender. Os dados podem vir de instituições de saúde ou de indivíduos. Mesmo que as instituições tornem os dados anônimos, ficou provado em muitos casos que os perfis individuais podem ser rastreados.

Questões legais e responsabilidade

E se um algoritmo de aprendizagem profunda falhar um diagnóstico, o médico aceitar o julgamento e o paciente sofrer as consequências? E se um robô cirúrgico autônomo ferir um paciente durante um procedimento? É um debate contínuo sobre quem será responsabilizado no futuro quando os robôs e a IA, agindo de forma autônoma, prejudicarem os pacientes. O consenso atual afirma que o profissional está sujeito a responsabilidade se ele ou ela usou a ferramenta em uma situação fora do escopo de sua aprovação regulatória, ou a usou indevidamente, ou a aplicou apesar de dúvidas profissionais significativas sobre a validade das evidências que cercam a ferramenta, ou com conhecimento do fabricante de ferramentas ofuscando fatos negativos. Em quaisquer outros casos, a responsabilidade recai sobre os criadores e as empresas por trás deles.

Confiança

Precisaremos de muito tempo para confiar num carro autônomo, para ver como ele reage em situações que conhecemos ou se toma decisões semelhantes numa emergência. Consequentemente, levará ainda mais tempo, não apenas para os pacientes, mas também para os profissionais médicos, confiarem na IA com diagnósticos médicos, apoiando a tomada de decisão médica ou projetando novos medicamentos. Isso deve ser levado em consideração quando decidirmos adotar a tecnologia no ambiente de saúde.

IA tendenciosa

Um estudo concluiu que os sistemas de reconhecimento facial das empresas comerciais eram mais precisos em indivíduos de pele mais clara em 11 a 19%. Aqueles produziram resultados especialmente imprecisos ao identificar mulheres de cor. Em outro exemplo, IA foi implementada no sistema de justiça criminal dos Estados Unidos Estados Unidos para prever a reincidência. Eles descobriram que o algoritmo previa uma probabilidade desproporcionalmente alta de pessoas negras que cometem crimes futuros, por menor que fosse sua ofensa inicial. Não é apenas preconceito racial, mas os algoritmos de IA também frequentemente discriminam mulheres, minorias, outras culturas ou ideologias. Por exemplo, o departamento de RH da Amazon teve que parar de usar sua ferramenta de aprendizado de máquina de IA que a empresa desenvolveu para escolher os melhores candidatos a emprego, pois se viu que o algoritmo inteligente favoreceu homens. Como tal, os algoritmos aprendem com os dados com os quais são alimentados. Os programadores devem saber sobre a questão do viés nos algoritmos e lutar ativamente contra ele, adaptando-os.28

Projeto do paciente

Ao projetar algoritmos para fins médicos, os pacientes devem estar envolvidos no nível mais alto de tomada de decisão para garantir que suas necessidades sejam atendidas e que problemas e recomendações sejam incorporados à tecnologia. Um exemplo sobre sua importância é como uma startup desenvolveu um algoritmo que poderia detectar sinais da doença de Alzheimer em telefonemas de pacientes no Canadá. No entanto, mostrou resultados diferentes com pacientes que tiveram um sotaque francês. Ao convidar pacientes nos estágios iniciais de desenvolvimento, essas questões podem ser evitadas.

Como existem esforços positivos em andamento para resolver cada um deles, ainda é uma questão em aberto se os algoritmos que se tornam uma parte comum das práticas médicas poderiam abordá-las.29

O papel futuro da IA na medicina e na saúde

Todas as tecnologias baseadas em IA que são consideradas para uso em saúde devem ser regulamentadas, eficientes e apoiadas pela Evidências.30 O FDA (Food and Drug Administration) dos EUA Estados Unidos tem mostrado um exemplo para alcançar um ambiente regulatório que não apenas acolhe essas inovações, mas também é capaz de mantê-las seguras para o público. O FDA lançou uma filial para a saúde digital em 2019 e tentou projetar novos padrões regulatórios para tecnologias baseadas em IA.

O FDA percebeu que, na era da IA, mais algoritmos estarão disponíveis do que os dispositivos médicos, pois há uma mudança de hardware para software. À medida que o número de algoritmos a serem regulamentados cresce exponencialmente, os recursos atuais dos órgãos regulatórios não serão suficientes para avaliar cada atualização. Houve discussões em torno de uma nova estrutura regulatória para modificações no software baseado em aprendizado de máquina IA como um dispositivo médico (SAMD).31 Isso pode levar a regulamentos que possibilitam às autoridades avaliarem as empresas enquanto elas podem lançar algoritmos e atualizações sem a necessidade de verificar todos eles. Essa é uma maneira viável de permitir que as tecnologias baseadas em IA se espalhem enquanto mantê-las seguras. Nosso grupo de pesquisa tentou criar um banco de dados atualizado constantemente de tecnologias médicas baseadas em IA aprovadas pelo FDA. Após a verificação e validação cruzada de todas as aprovações que encontramos, identificamos 64 de IA e, ao mesmo tempo, as tecnologias médicas aprovadas pela FDA. Apenas 29 deles (45%) mencionaram termos ou expressões relacionados à IA no anúncio divulgado pelo FDA.

Tais tecnologias só podem ser eficientes se forem implementadas com sucesso na prática médica. A American Medical Association (AMA) abordou a importância da IA, defendeu o uso da expressão aumentou a inteligência e assumiu a liderança do pensamento com seus relatórios e diretrizes para os médicos. Em sua política de IA, eles afirmam que “como líder em medicina americana, nossa AMA tem uma oportunidade única de garantir que a evolução da IA em medicina beneficie pacientes, médicos e comunidade de saúde”.32

Para garantir que as tecnologias baseadas em IA atendam aos padrões de medicina baseada em evidências, vários conselhos editoriais de revistas médicas e prestigiadas associações médicas, como a OMS ou o CDC, divulgaram suas recomendações para a comunidade médica.33,34

Um dos possíveis obstáculos na adoção pode ser um medo comum entre os profissionais médicos que a IA irá substituí-los. Embora as profissões altamente repetitivas e baseadas em dados, ou melhor, as tarefas sob essas profissões provavelmente sejam altamente impactadas pela automação, o núcleo da profissão médica é e ainda será o toque humano, a empatia e os cuidados compassivos; atributos quase impossíveis de imitar através de uma linguagem de programação.

No entanto, como regra geral, podemos assumir que os profissionais médicos que usam a IA substituirão aqueles que não o fazem. É assim que uma função tão profunda de IA terá no futuro da medicina. O debate no início do século 21 não deve ser sobre se a IA tira o toque humano ou a arte da medicina, mas o que devemos fazer para melhorar as duas coisas.

Quando um algoritmo usando o aprendizado de reforço, assim não sendo restrito por nossas limitações cognitivas humanas, apresenta uma cura que nunca conseguimos encontrar com nosso conhecimento sobre biologia, medicina e outras ciências da vida, a verdadeira arte da medicina será descobrir e entender como isso aconteceu.35

Com esse conhecimento básico sobre a definição, níveis, métodos, desafios e potenciais de IA, tentamos dar uma visão geral sobre como podemos tornar a profissão médica mais criativa, gastando mais tempo com os pacientes do que nunca.

Referências:

  1. Topol, E. J. High-performance medicine: the convergence of human and artificial intelligence.  Med25, 44–56 (2019).
  2. Matheny, M. E., Whicher, D., Thadaney & Israni, S. Artificial intelligence in health care: a report from the national academy of medicine. JAMA323, 509–10 (2020).
  3. Faes, L. et al. A clinician’s guide to artificial intelligence: how to critically appraise machine learning studies.  Vis. Sci. Technol.9, 7 (2020).
  4. Russell, S. & Norvig, P. Artificial intelligence a modern approach third edition (Pearson, 2010).
  5. Bostrom, N. Superintelligence: paths, dangers, strategies. [Internet] ovidsp.ovid.com(2014).
  6. Samuel, A. L. Some studies in machine learning using the game of checkers. IBM J Res Dev.44, 206–226 (2000).
  7. Sadler, M. & Regan, N. Game changer: AlphaZero’s groundbreaking chess strategies and the promise of AI. (New in Chess, 2019).
  8. Moding, E. J ., Kastan, M. B. & Kirsch, D. G. Strategies for optimizing the response of cancer and normal tissues to radiation.  Rev. Drug Discov.12, 526–542 (2013).
  9. Bzdok, D., Altman, N. & Krzywinski, M. Statistics versus machine learning.  Methods.15, 234–235 (2018).
  10. Bluemke, D. A., Moy, L., Bredella, M. A., Ertl-Wagner, B. B., Fowler, K. J. & Goh, V. J. et al. Assessing radiology research on artificial intelligence: a brief guide for authors, reviewers, and readers-from the Radiology Editorial Board. Radiology294, 487–489 (2020).
  11. Challen, R., Denny, J., Pitt, M., Gompels, L., Edwards, T. & Tsaneva-Atanasova, K. Artificial intelligence, bias and clinical safety. BMJ Quality Safety.28, 231–237 (2019).
  12. Powles, J. & Hodson, H. Google DeepMind and healthcare in an age of algorithms. Health Technol7, 351–367 (2017).
  13. Page, W. D. H. Google’s medical AI was super accurate in a lab. Real life was a different story. MIT Technological Review[Internet] technologyreview.com.
  14. Lunden, I. Babylon Health is building an integrated, AI-based health app to serve a city of 300K in England. Techcrunch[Internet] techcrunch.com(2020).
  15. Ricci, M. Sensely and Mayo Clinic take virtual nurse one step further. Pharmaphorum[Internet] pharmaphorum.com(2017).
  16. Belciug, S. & Gorunescu, F. Intelligent decision support systems–a journey to smarter healthcare. (Springer International Publishing, 2020).
  17. Staines, R. FDA approves Caption Health’s AI-driven cardiac ultrasound software. Pharmaphorum[Internet] pharmaphorum.com(2020).
  18. Moorfields announces research partnership. [Internet] moorfields.nhs.uk.
  19. Zauderer, M. G. et al. Piloting IBM Watson Oncology within Memorial Sloan Kettering’s regional network.  Clin. Oncol.32[Internet] ascopubs.org (2014).
  20. Fornell, D. Artificial intelligence greatly speeds radiation therapy treatment planning. itnonline.com. [Internet] itnonline.com(2020).
  21. AI treatment plans used in patients. uhnresearch.ca. [Internet] uhnresearch.ca.
  22. Atomwise finds first evidence towards new Ebola treatments. [Internet] atomwise.com.
  23. Kang, D. Y. et al. Artificial intelligence algorithm to predict the need for critical care in prehospital emergency medical services.  J. Trauma Resusc. Emerg. Med.28, 17 (2020).
  24. Winn, A. N., Somai, M., Fergestrom, N. & Crotty, B. H. Association of use of online symptom checkers with patients’ plans for seeking care. JAMA Netw. Open2, e1918561 (2019).
  25. Sendak, M. P. et al. A path for translation of machine learning products into healthcare delivery. EMJ Innov[Internet] doi.org(2020).
  26. Himmelreich, J. C. L. et al. Diagnostic accuracy of a smartphone-operated, single-lead electrocardiography device for detection of rhythm and conduction abnormalities in primary care.  Fam. Med17, 403–411 (2019).
  27. Meskó, B., Radó, N. Data annotators: the unsung heroes of artificial intelligence development. The Medical Futurist. [Internet] medicalfuturist.com(2019).
  28. Chen, I. Y., Szolovits, P. & Ghassemi, M. Can AI help reduce disparities in general medical and mental health care? AMA J Ethics21, E167–179 (2019).
  29. Panch, T., Mattie, H. & Celi, L. A. The “inconvenient truth” about AI in healthcare. npj Digit Med.2, 77 (2019).
  30. Anderson, M. & Anderson, S. L. How should AI Be developed,validated and implemented in patient care? AMA J Ethics.21, E125–130 (2019).
  31. FDA. Proposed regulatory framework for modifications to artificial intelligence/machine learning (AI/ML)-based software as a medical device (SaMD) – Discussion Paper and Request for Feedback. [Internet] regulations.gov(2019).
  32. Association TAM. Artificial intelligence in medicine. [Internet] ama-assn.org.
  33. John Howard, M. Artificial intelligence: implications for the future of work CDC. [Internet] blogs.cdc.gov(2019).
  34. World Health Organization. Big data and artificial intelligence. [Internet] who.int.
  35. Meskó, B., Radó, N. The real era of the art of medicine begins with artificial intelligence. The Medical Futurist. [Internet] medicalfuturist.com(2019).
Ver Referências →
Cadastre-se E receba nosso newsletter

Veja outros posts relacionados…

nenhum

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

CONHEÇA FIBRODOR, UM SITE EXCLUSIVO SOBRE FIBROMIALGIA
CLIQUE AQUI