A inteligência artificial na saúde

Nunca antes na história, o desenvolvimento de novas tecnologias impactou tanto na área da saúde. A inteligência artificial “AI” pode ser considerada uma das principais novidades. O conceito dessa tecnologia é antigo e foi proposto em 1956, pelo Cientista da Computação John McCarthy, em uma conferência em Dartmouth, New Hampshire. Na prática, significa a capacidade de uma máquina imitar o comportamento da inteligência humana. 

Mas, como a “AI” está modificando o dia a dia dos profissionais de saúde? Quais são os principais conceitos acerca dessa tecnologia? Quais são os limites éticos? Essas são algumas das perguntas que buscamos responder, no decorrer deste texto, através da explicação de conceitos importantes.

Conceito 1 – Subtipos de Inteligência Artificial:

De acordo com Nick Bostrom, da Universidade de Oxford, a inteligência artificial pode ser dividida em 3 subtipos do básico ao avançado, respectivamente: Artificial Narrow Intelligence (ANI), Artificial General Intelligence (AGI) e Artificial SuperIntelligence (ASI). 

Atualmente, estamos no estágio mais básico dessa tecnologia, a ANI.

  • ANI = Inteligência artificial capaz de reconhecer padrões em textos, imagens ou vozes. Esses padrões são classificados para a resolução de tarefas. Estamos atualmente nesse estágio da tecnologia.
  • AGI = Nesse subtipo, a “AI” apresenta-se como se fosse a inteligência humana, é capaz de racionalizar, questionar, memorizar e resolver problemas como os seres humanos. O marco é o Teste de Turing que, através de questionários, avalia a capacidade da máquina exibir comportamento inteligente equivalente ao de um ser humano, ou indistinguível deste. Alguns pesquisadores acreditam que atingiremos esse estágio em 2029.
  • ASI = Trata-se de um conceito teórico em que a “AI” detém o conhecimento comparável a de toda a humanidade. Seria um estágio no qual não teríamos a capacidade de entender o motivo das ações da inteligência artificial. Inclusive, nesse estágio a “AI” pode ser encarada como uma ameaça à raça humana.
Subtipos de inteligência artificial. Em ordem crescente de poder processual e complexidade temos Artificial Narrow Intelligence seguido por Artificial General Intelligence e Artificial Super Intelligence.

Conceito 2- Inteligência Artificial dos primórdios à moda Hype:

Como citado anteriormente, o conceito de “AI” não é novidade. Já existe há mais de 50 anos, porém o desenvolvimento real de sistemas com essa tecnologia ganhou força apenas nos anos 2000. Esse interstício entre o conceito e a aplicação dessa tecnologia é conhecido como “Inverno da AI”. 

O Armazenamento de dados e a capacidade de processamento dos chips de computadores são os pré-requisitos básicos para o desenvolvimento da inteligência artificial. 

Antes dos anos 2000, grande parte dos dados em saúde eram manuscritos, como no caso de prontuários. Além disso, contávamos com baixo poder de processamento dos chips, ou seja, eram tempos desfavoráveis para o desenvolvimento de “AI”. 

O fim do “Inverno da AI” foi proporcionado por empresas de tecnologia como a NVIDIA. Esses stakeholders foram responsáveis pelo avanço em processamento de dados, no início dos anos 2000, com o desenvolvimento de chips potentes. 

Aliado a esse fato, a quantidade de dados digitalizados cresceu exponencialmente, alcançando 2,5 quintilhões de bytes gerados diariamente. Essas foram as condições ideais para o florescimento da “AI” em nossa sociedade.

Como toda a novidade em tecnologia, expectativas iniciais são geradas tanto no aspecto positivo quanto para o negativo. O excesso de hype, pode contribuir para uma certa desilusão relacionada a aplicação da “AI”.

 Muitas vezes, isso fica evidente em promessas de soluções que não se concretizam na prática. O fato se deve à imaturidade dos sistemas embarcados com essa tecnologia, pois o feedback do uso, em determinado período de tempo, é necessário para que sejam feitos ajustes em produtos de vanguarda.

De acordo com Brian Burke, vice-presidente de pesquisa da Gartner, algumas tecnologias inovadoras e disruptivas apresentam vantagens que não são bem conhecidas e provadas no mercado. 

A maioria dessas tecnologias demoram em torno de 5 a 10 anos para que atinjam um platô de produtividade. Dessa forma, a Gartner sugere o gráfico abaixo referente a trajetória de todo produto inovador:

Gráfico inspirado no modelo da Gartner denunciando o hype, disparidade entre expectativa e evolução habitual das inovações tecnológicas absorvidas pelo mercado.

Dessa forma, entendemos que, atualmente, a “AI” se encontra no estágio do pico de expectativas insufladas. Isso significa que devemos avaliar com muita calma os produtos embarcados com essa tecnologia, pois o fator hype pode desencadear um efeito  inflacionado no mercado. Alguns aproveitadores podem comercializar algoritmos como se fossem “AI”. Esses fatos podem contribuir negativamente para o desenvolvimento e maturação dessa tecnologia.

Nessa etapa de expectativas insufladas, é preciso que nós, como usuários de tecnologia para a área da saúde, saibamos distinguir entre uma solução que se apresenta como “AI”, mas na verdade é tipo um algoritmo. Isso pode impactar no preço e no resultado final do benefício da solução.

Para ser prático, o algoritmo é uma espécie de fluxograma, em que a máquina oferece uma resposta baseada em caminhos pré definidos pela programação. Não existe aprimoramento ou aprendizado nessa jornada. 

 Já, a “AI” refere-se a um processo em que a máquina é capaz de melhorar a performance dos seus resultados finais. Isso, baseado em um ciclo de contínuo aprendizado, através da incorporação de dados da análise de novos processamentos, fato conhecido como machine learning “ML”.

Conceito 3-  Machine Learning (A forma de aprender da “AI”):

O processo de aprendizado da “AI”, conhecido como machine learning  “ML” pode ocorrer de 5 formas diferentes:

  1.  Aprendizado supervisionado: Por exemplo, a máquina é treinada para reconhecer determinado tipos de características que têm alta probabilidade de pertencer a um tipo de doença. Assim, a “AI” utiliza do recurso da comparação e probabilidade para fornecer diagnósticos equivalentes para pacientes que apresentam sinais, sintomas e exames com padrão semelhante. Essa metodologia é atualmente a mais utilizada para o treinamento de “ML”.
  2. Aprendizado sem supervisão: Nesse subtipo, a máquina é abastecida com uma base de dados, porém não existe supervisão acerca do resultado. Dessa forma, associações imprevistas podem fazer parte da resposta da “ML”. Essa forma de “AI” pode proporcionar o descobrimento de novas drogas e interações  capazes de atuar contra determinadas doenças, por exemplo.
  3. Aprendizado com reforço: Parece muito com o subtipo de aprendizado sem supervisão da “ML”. Porém, nesse caso, após uma série de julgamentos da máquina, os desenvolvedores da “AI” imputam feedbacks sobre as respostas encontradas, melhorando o desempenho dos resultados.
  4. Deep learning: São “ML” que possuem várias camadas de Redes Neurais Artificiais  (ANN) que simulam o processamento do cérebro humano. Nesse caso, a tecnologia permite a “AI” agrupar ou reconhecer padrões em dados apresentados com determinadas variabilidades. Por exemplo, em uma série de fotografias, a “AI” é capaz de reconhecer características que sejam peculiares de cachorros, mesmo que esses sejam visualmente distintos, como no caso de raças diferentes.
  5. Aprendizado federado: Esse modo de aprendizado da “ML” é interessante, pois a iniciativa protege o vazamento de banco de dados das instituições. Inicialmente, cada stakeholder participante aperfeiçoa individualmente a sua “ML”. Após, os resultados de cada instituição são compartilhados para que se possa agrupar e reconhecer padrões semelhantes entre os participantes. Isso é importante, pois pode impactar em melhores condutas na área da saúde multicêntricas.
A “Forma de Aprender das Máquinas”. No primeiro cenário o aluno aprende sob supervisão complexa do tutor. Já no segundo cenário, o aluno pesquisa e recebe intervenções pontuais do tutor para direcionamento. No terceiro cenário o aluno aprende à partir de dados coletados, cria cenários e os apresenta com conclusões próprias. No último cenário a coleta parte de número dados aparentemente sem correlação, mas o alto poder de processamento possibilita conexões autônomas e gera conclusões tão poderosas quanto uma mente humana.

Inicialmente, temos que relembrar que há pouco tempo, os registros médicos, em sua maioria, eram realizados manualmente. Porém, prontuários manuscritos não podem ser utilizados em processos digitais. 

Assim, foi necessário que os prontuários eletrônicos ou eletronic medical record “EMR” se desenvolvessem para que a saúde pudesse ser digitalizada. O prontuário é uma fonte riquíssima de informações sobre os pacientes e suas condições de saúde. Esses dados são fundamentais para que a “AI” funcione de acordo com as expectativas. 

Apesar de hoje, cada vez mais, ser possível coletar dados de wearables, os prontuários continuam sendo a principal fonte de dados sobre os pacientes, e por isso, são fundamentais para o desempenho e viabilidade da inteligência artificial.

Atualmente, nos EUA, segundo dados do CDC “Center for Disease Control”, 85,9% dos consultórios médicos utilizam prontuários eletrônicos. Porém, percebemos grandes disparidades mundiais em relação a adoção do “EMR”.

 Muitos países ainda utilizam prontuários manuscritos em boa parte dos atendimentos em saúde. Isso dificulta a adoção e customização da “AI”, de acordo com as particularidades étnico-regionais, em diferentes espaços geográficos.

Paralelamente, evidenciamos uma quantidade, cada vez maior, de dados gerados a nível global. Hoje, além dos prontuários eletrônicos, assistimos a uma adoção exponencial de wearables pelas pessoas. 

No ano de 2020, em plena pandemia de COVID-19, 396 milhões de wearables foram comercializados no mundo, sendo a Apple a líder mundial de vendas. 

 Somado a esse fato, uma média de 2,5 milhões de artigos científicos são publicados anualmente. Essa quantidade de dados é impossível de ser analisada ou armazenada pela mente humana.

 Esses exemplos, mostram a importância da “AI” atuar  em sinergia com os profissionais de saúde, extraindo a “smart data” desse universo gigantesco de dados, para melhores decisões em saúde. 

Conceito 5 – Exemplos de aplicações da Inteligência Artificial na saúde:

A sinergia entre profissionais de saúde e “AI” pode ser exposta em algumas iniciativas interessantes. 

A startup Atomwise, em parceria com outras empresas como a IBM, identificaram duas drogas capazes de reduzir a infectividade do Ebola, no ano de 2015. Naquele momento, assistia-se a uma epidemia da doença na África. A iniciativa da Atomwise, através do uso da “AI”, identificou essas drogas no prazo de apenas um dia. 

 A IBM Watson é outro exemplo. Trata-se de uma solução baseada em “AI”, e hoje, já atende vários serviços em saúde, nos mais variados campos, como diagnóstico, preditivo, e discovery.

Outros exemplos selecionados estão relacionados à recente epidemia de COVID-19. A empresa Bluedot, através de “AI”, foi a primeira a comunicar às autoridades acerca da epidemia de COVID-19. O banco de dados utilizado contou com fontes e relatórios digitais de diversos stakeholders

Em outra iniciativa, o Hospital de Zhongnan, na China, elaborou um programa de “AI” para auxiliar radiologistas nos diagnósticos por imagem de tomografia relacionados a COVID-19.

Alguns estudos também são exemplos de iniciativas que contaram com a tecnologia da inteligência artificial: o trabalho da Universidade de Adelaide, em que o uso da “AI” é aplicado para indicar quando você irá morrer. Oakden-Rayner, L., Carneiro, G., Bessen, T. et al. Precision Radiology: Predicting longevity using feature engineering and deep learning methods in a radiomics framework. Sci Rep 7, 1648 (2017). https://doi.org/10.1038/s41598-017-01931-w

Outro estudo interessante sobre a aplicação da “AI” pode ser encontrado no artigo de pesquisadores da Universidade da Califórnia, em São Francisco, EUA. Neste trabalho, o objetivo é detectar precocemente a doença de Alzheimer através do exame PET-FDG de crânio. Os resultados revelam uma sensibilidade de 100%, 6 anos antes do diagnóstico clínico oficial. Ding Y, Sohn JH, Kawczynski MG, et al. A Deep Learning Model to Predict a Diagnosis of Alzheimer Disease by Using 18F-FDG PET of the Brain. Radiology. 2019;290(2):456-464. doi:10.1148/radiol.2018180958.

Conceito 6 – Limites éticos e a regulamentação da “AI”:

O mercado da inteligência artificial na saúde é bastante promissor. Para se ter uma ideia, a estimativa do crescimento desse mercado global é de $1 bilhão de dólares, em 2016, para aproximadamente $28 bilhões, em 2025. Dessa forma, é imperativo que regulamentações e leis avancem no sentido de cooperar com o desenvolvimento saudável dessa tecnologia.

A velocidade do avanço da tecnologia impõe desafios do ponto de vista legal e ético. Muitas vezes, é impossível existirem leis e regulamentações que prevejam determinados cenários proporcionados pelo uso de soluções embarcadas com novidades tecnológicas. Algumas iniciativas estão sendo desenvolvidas visando regras para o uso da “AI” no âmbito da saúde. 

Por exemplo, o US Food & Drugs Administration (FDA) e a European Medicine Agency (EMA) já possuem iniciativas regulatórias sobre a adoção da “AI” para fins médicos. A Lei Global de Proteção de Dados (LGPD), em analogia com a Health Insurance Portability and Accountability Act (HIPAA), também é fundamental para garantir a idoneidade da tecnologia e o uso de dados em saúde.

Além disso, é interessante observar que precisamos evoluir em discussões que tangem os limites éticos do uso da “AI” na saúde. Nessa fase, é importante observar que essa tecnologia deve ser utilizada como uma ferramenta para a tomada de decisões. 

A decisão final sobre ações assistenciais aos pacientes deve caber ao profissional de saúde. A máquina não pode ser responsabilizada por erros, afinal em se tratando de vidas, a palavra final tem que ser sempre de responsabilidade humana. Isso deve sempre ser observado, no uso de qualquer tecnologia para assistência em saúde.

Falando de novas tecnologias aplicadas à saúde…já ouvir falar sobre a plataforma da Sinaxys?
A Sinaxys conecta profissionais de saúde com oportunidades no mercado de trabalho.


Se você é profissional e está procurando novas oportunidades de trabalho clique aqui e baixe grátis o App da Sinaxys.


Se você é gestor/gestora de saúde e está procurando resolver seus problemas na contratação de profissionais, anuncie sua vaga clicando aqui.

Deixe uma resposta

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