Artigos e reportagens especiais
Escuchar
Pause
Play
Stop

Inteligência artificial, transformação da reumatologia? - Parte I

Por : Estefanía Fajardo
Periodista científica de Global Rheumatology by PANLAR.


Cesar Graf
Especialista en reumatología Sociedad Argentina de Reumatología https://orcid.org/0000-0002-1803-1425



28 Abril, 2022

https://doi.org/10.46856/grp.21.ept115

"Em um texto de duas partes, abordaremos os conceitos da inteligência artificial e a sua aplicação à medicina, bem como a sua incursão na reumatologia e os desafios que ela representa a curto, médio e longo prazo."

Visualizações 1268Visualizações

Por: Estefânia Fajardo, Dr César Graf 

INTRODUÇÃO

A Inteligência artificial (IA) é um termo cunhado em 1955 pelo John McCarthy, professor emérito da Universidade de Stanford. Este conceito foi definido por ele como "a ciência e a engenharia para fabricar máquinas inteligentes" (1).

É a parte da ciência da computação que estuda a simulação da inteligência humana.

Para isto, utiliza um conjunto de hardware e software com um formato de redes neurais inspiradas no cérebro humano, que compõem algoritmos matemáticos a partir de dados verbais, escritos ou numéricos, para armazená-los, analisá-los, processá-los e compará-los, dando uma resposta rápida, automática e inteligente, que permite resolver problemas complexos com um alto nível de precisão e evidência.

Em outras palavras, a inteligência artificial é aquela que permite que as máquinas se comportem de forma racional, típica do ser humano, maximizando as suas chances de sucesso.

Desta forma, a inteligência artificial não apenas emula a inteligência humana, mas até a supera, realizando tarefas e funções que um ser humano jamais poderia realizar, como armazenar milhares de dados (Big Data), analisá-los (Data Analytics), aprender consigo mesmo (Machine Learning) e identificar padrões e tendências de comportamento em segundos, formulando previsões automáticas.

Os primeiros estudos sobre este conceito datam de 1950, quando Alan Turing publicou um artigo intitulado "Computing machines and intelligence". Turing (1912-1954), matemático britânico, é considerado o pai da inteligência artificial. Ficou famoso por decifrar o código nazista na Segunda Guerra Mundial e pioneiro em diversos ramos do conhecimento, cuja contribuição é essencial no desenvolvimento das tecnologias atuais.

Outro pioneiro na área é o Marvin Minsky, que tinha o sonho de dotar as máquinas de inteligência humana para que pudessem aprender, resolver problemas e oferecer soluções sema  nossa intervenção. Em 1951, ele criou a primeira rede neural artificial capaz de aprender, chamada SNARC (Spatial Numerical Associations of Response Codes), o que conhecemos hoje como Machine Learning.

Em 1956, foi realizada a primeira Conferência de Dartmouth sobre a inteligência artificial e cientistas destacados na história do nascimento da especialidade se reuniram lá. Nessa conferência, quatro foram os nomes que lhe deram significado e aplicação: John McCarthy, Marvin Minsky, Nat Rochester e Claude Shannon. Foram eles que batizaram este novo campo de estudo, e por isso são considerados os pais da Inteligência Artificial.

Poderíamos dizer que muitas pesquisas levaram as máquinas a serem programadas para se comportarem de maneira semelhante à inteligência humana, para que, por meio de algoritmos aplicados, ela possa aprender, resolver problemas e oferecer soluções de forma rápida, automática e segura sem a nossa intervenção.

Por exemplo, na era anterior aos computadores poderosos e à big data, estes sistemas eram programados por humanos e seguiam as regras da invenção humana, mas os avanços na tecnologia levaram ao desenvolvimento de novas abordagens.

Uma delas é o aprendizado automático, agora a área mais ativa da IA, no qual os métodos estatísticos permitem que um sistema “aprenda” com os dados e tome decisões, sem ser explicitamente programado. Tais sistemas combinam um algoritmo, ou uma série de etapas para resolver um problema, com uma base de conhecimento ou fluxo: as informações que o algoritmo usa para construir um modelo do mundo. (2)

Em um texto de duas partes, aprofundaremos os conceitos da inteligência artificial e sua aplicação à medicina. Nesta primeira parte, além das definições de IA que desenvolvemos na introdução, revisaremos as suas aplicações em um nível geral, as conquistas que teve, usos e desafios, para mais tarde, em uma segunda parte, focar na relação da inteligência artificial e da reumatologia, a sua aplicação na especialidade e os desafios para especialistas e pacientes, bem como o que se acredita virá no futuro.

APLICAÇÃO NA  MEDICINA

Até alguns anos atrás, a inteligência artificial era uma tecnologia desconhecida para muitos, associada aos filmes futuristas de ficção científica. Agora é uma realidade.

Fica claro em diferentes aspectos que ela pode desempenhar um papel importante no desenvolvimento da medicina personalizada. O potencial disto na medicina é enorme e, comparado às estatísticas convencionais, oferece uma infinidade de novas possibilidades. (3)

As tecnologias médicas inteligentes permitem trabalhar com um modelo de medicina 4P (preditivo, preventivo, personalizado e participativo); os smartphones estão se tornando, por exemplo, o item obrigatório para preencher e distribuir um prontuário eletrônico pessoal, monitorar funções vitais com biossensores e ajudar a alcançar a adesão terapêutica ideal, dando ao paciente o lugar como ator principal no caminho da atenção. (4)

A este respeito, uma série de questões fundamentalmente éticas e morais foram levantadas em consideração sobre as intervenções na saúde orientadas pela IA, e se as ferramentas, métodos e proteções tradicionalmente usados na toma de decisões baseadas nas evidências ou na experiência também seriam aplicadas às novas tecnologias. (5)

A comunidade global de saúde tem reconhecido cada vez mais a urgência de abordar estas questões para garantir que as populações dos países em desenvolvimento se beneficiem dos avanços e inovações na saúde digital e inteligência artificial (6). Nestes países, a implantação da inteligência artificial já começou para uma ampla gama de problemas de saúde com intervenções focadas principalmente nas doenças transmissíveis, incluindo a tuberculose e a malária.

BIG DATA

Para começar, devemos deixar claro que Big Data é um termo recente – foi introduzido na década de 1990 – e o seu objetivo era incluir conjuntos de dados muito grandes para serem usados ​​com softwares comuns.

A medicina é um campo importante que deverá continuar a aumentar significativamente no uso de big data a partir de 2025 e além. A Big data na medicina pode ser usada pelos setores comercial, acadêmico, governamental e público. Além disso, inclui dados biológicos, biométricos e eletrônicos de saúde. (7)

A Big data mostra tudo, desde tendências de compras a estatísticas de crimes, padrões climáticos, surtos de doenças, entre outros. A análise desta informação disponível integra a disponibilização dos chamados dados heterogéneos, bem como a análise destes sob um controle preciso, modelação para posterior interpretação e validação.

DEEP LEARNING

O aprendizado profundo é uma subdisciplina da inteligência artificial, que demonstrou vários sucessos em aplicações clínicas (8) envolvendo dados de imagem para melanoma (9), retinopatia (10), câncer de mama metastático (11) e outros domínios biomédicos (12) e de saúde (13 , 14). O aprendizado profundo está sendo aplicado a um número cada vez maior de conjuntos de dados relacionados a registros eletrônicos de saúde (15) e, assim como a aplicação da tecnologia a qualquer campo novo, existem inúmeras oportunidades e desafios (12,16) .

APLICAÇÕES PRINCIPAIS

As aplicações da inteligência artificial e as suas diversas áreas abrangem vários domínios. O Gráfico 1 resume as principais aplicações nas quais há evidências do benefício do uso de tecnologias no setor da saúde, dividindo-as em quatro grandes grupos: Atendimento ao paciente, diagnóstico e imagem médica, pesquisa e desenvolvimento e administração.

Aplicações da inteligência artificial em reumatologia

Gráfico, Gráfico de proyección solar  Descripción generada automáticamente

Fonte: Referência 17 . Dilmegani W by C, Dilmegani C. Top 18 AI applications / use cases / examples in healthcare [Internet]. AIMultiple. 2017. Disponible en: https://research.aimultiple.com/healthcare-ai/ 

TRADUÇÃO GRÁFICA: (ACIMA À ESQUERDA) Título: Atendimento ao paciente - Listagem: Diagnóstico e prescrição assistida / Priorização e triagem de casos em tempo real / Medicação e atendimento personalizado / Análise de dados do paciente / Acompanhamento da gravidez.

(ACIMA À DIREITA) Título: Imagiologia Médica e Diagnóstico - Listagem: Prevenção de Erros no Diagnóstico / Informações sobre Imagiologia Médica / Diagnóstico Precoce

(ABAIXO À ESQUERDA) Título: Pesquisa e Desenvolvimento - Listagem: Descoberta de Medicamentos / Análise e Edição de Genes / Eficácia Comparativa de Medicamentos e Tecnologias

(ABAIXO À DIREITA) Título: Administração - Listagem: Marketing / Preço e risco / Marketing de marca

 

O primeiro grupo, atendimento ao paciente, aborda aspectos como O diagnóstico assistido e prescrição, que podem ser de grande ajuda a partir de ferramentas como chatbots. Também sistemas de auditoria de IA, bem como monitoramento e gerenciamento de gravidez e priorização e triagem em tempo real.

Neste ponto, também são abordados o atendimento personalizado e a medicação, o que permite reduzir custos e aumentar a efetividade do atendimento, além da análise dos dados do paciente sugerindo ações ou gerando conhecimento sobre a sua situação. Finalmente, os robôs cirúrgicos são mencionados.

O segundo grupo indica o diagnóstico precoce com o uso de dados laboratoriais e condições crônicas; bem como informações sobre imagens médicas que permitem a modelagem de situações. No ponto de pesquisa e desenvolvimento, existem elementos como descoberta de medicamentos, análise e edição de genes e a eficácia comparativa de medicamentos e tecnologias.

Por fim, na administração há pontos de criação de estratégia de marca; preço e risco considerando as condições de mercado; estudos de mercado; operações; chatbots; e detecção de fraudes.

CONCLUSÕES

A inteligência artificial é um campo que não podemos chamar de novo, mas no qual vários avanços estão sendo feitos, especificamente nos últimos anos. Pelo exposto, podemos dizer – sem medo de errar – que está pronto para um “prime time”, reconhecendo a aplicação de tecnologias no campo da medicina e o suporte que elas podem oferecer aos profissionais da saúde.

É importante deixar claro que equipar os médicos com as habilidades, recursos e suporte necessários para usar tecnologias baseadas na IA é essencial para a implementação bem-sucedida da IA ​​na área da saúde. Para fazer isso, os médicos devem ter uma compreensão realista dos possíveis usos e limitações das aplicações médicas. (18)

Além disso, é prudente equilibrar a necessidade de uma IA de saúde cuidadosa e inclusiva que planeje e gerencie ativamente e reduza possíveis consequências não intencionais. (19)

É claro que diretrizes de relatórios padronizados, confiáveis ​​e baseados em evidências devem ser desenvolvidos para ensaios clínicos de IA e estudos relevantes usados ​​para avaliar a utilidade das tecnologias (18), pois sabemos que há um longo caminho a percorrer e legislação pendente em questões éticas e de aplicabilidade, bem como o uso destes dados e a forma de compartilhá-los para pesquisa.

Há também o desafio de ir além para atender às necessidades dos pacientes e da comunidade. Ele tem o potencial (com o consentimento apropriado) para vincular dados pessoais e públicos para cuidados de saúde verdadeiramente personalizados. (19)

No próximo número iremos avaliar estes aspectos fundamentais a ter em conta na prática da reumatologia. 

Referências

  1. Artificial Intelligence Definitions [Internet]. Stanford.edu. Disponível em: https://hai.stanford.edu/sites/default/files/2020-09/AI-Definitions-HAI.pdf
  2. Harvardmagazine.com. Disponível em: https://www.harvardmagazine.com/2019/01/artificial-intelligence-limitations
  3. Hügle M, Omoumi P, van Laar JM, Boedecker J, Hügle T. Applied machine learning and artificial intelligence in rheumatology. Rheumatol adv pract [Internet]. 2020;4(1):rkaa005. Disponível em: https://academic.oup.com/rheumap/article/4/1/rkaa005/5740589?login=true 
  4. Briganti G, Le Moine O. Inteligencia artificial en medicina: hoy y mañana. Front Med (Lausana) [Internet]. 2020;7:27. Disponível em: http://dx.doi.org/10.3389/fmed.2020.00027 
  5. Schwalbe N, Wahl B. Artificial intelligence, and the future of global health. Lancet [Internet]. 2020;395(10236):1579–86. Disponível em: https://www.sciencedirect.com/science/article/pii/S0140673620302269 
  6. USAID’s Center for Innovation and Impact (CII). Artificial intelligence in Global Health: Defining a Collective Path Forward [Internet]. Usaid.gov. Disponível em: https://www.usaid.gov/sites/default/files/documents/1864/AI-in-Global-Health_webFinal_508.pdf
  7. Mallappallil M, Sabu J, Gruessner A, Salifu M. Una revisión de Big data e investigación médica. SAGE Open Med [Internet]. 2020;8:2050312120934839. Disponível em: http://dx.doi.org/10.1177/2050312120934839 
  8. Greenspan H, Ginneken BV, Summers RM. Aprendizaje profundo en imágenes médicas: descripción general y promesa futura de una nueva técnica emocionante. IEEE Trans Med Imaging. 2016;35(5):1153-1159.
  9. Esteva A, Kuprel B, Novoa RA, et al. Clasificación a nivel dermatólogo del cáncer de piel con redes neuronales profundas.  naturaleza _ 2017;542(7639):115-118. 
  10. Gulshan V, Peng L, Coram M, et al. Desarrollo y validación de un algoritmo de aprendizaje profundo para la detección de retinopatía diabética en fotografías de fondo de retina. JAMA. 2016;316(22):2402-2410.
  11. Wang D, Khosla A, Gargeya R, Irshad H, Beck AH. Aprendizaje profundo para identificar el cáncer de mama metastásico. Impresiones electrónicas ArXiv. 2016. https://ui.adsabs.harvard.edu/#abs/2016arXiv160605718W  
  12. Ching T, Himmelstein DS, Beaulieu-Jones BK, et al. Oportunidades y obstáculos para el aprendizaje profundo en biología y medicina. Interfaz JR Soc. 2018;15(141):20170387
  13. Miotto R, Wang F, Wang S, Jiang X, Dudley JT. Aprendizaje profundo para el cuidado de la salud: revisión, oportunidades y desafíos.  Breve Bioinforme. 2018;19(6):1236-1246.
  14. Miotto R, Li L, Kidd BA, Dudley JT. Paciente profundo: una representación no supervisada para predecir el futuro de los pacientes a partir de la historia clínica electrónica.  Representante científico 2016;6:26094. 
  15. Shickel B, Tighe PJ, Bihorac A, Rashidi P. Deep EHR: una encuesta de avances recientes en técnicas de aprendizaje profundo para el análisis de registros de salud electrónicos (EHR).  IEEE J Biomed Salud Informar. 2018;22(5):1589-1604. 
  16. Norgeot B, Glicksberg BS, Butte AJ. Un llamado a la atención médica de aprendizaje profundo.  Nat Med. 2019;25(1):14-15. 
  17. Dilmegani W by C, Dilmegani C. Top 18 AI applications / use cases / examples in healthcare [Internet]. AIMultiple. 2017. Disponible en: https://research.aimultiple.com/healthcare-ai/ 
  18. James CA, Wachter RM, Woolliscroft JO. Preparando a los médicos para un mundo clínico influenciado por la inteligencia artificial. JAMA. Publicado en línea el 21 de marzo de 2022. doi:10.1001/jama.2022.3580
  19.  Matheny M, Sonoo T, Israni M, Ahmed D, Edu N. Inteligencia artificial en el cuidado de la salud: la esperanza, la exageración, la promesa, el peligro [Internet]. Nam.edu. Disponível em: https://nam.edu/wp-content/uploads/2021/07/4.3-AI-in-Health-Care-title-authors-summary.pdf

 

 

enviar Envía un artículo