Esse editorial foi publicado no “Falando em Medicina” do Blog da PLOS (Public Library of Science) e publicado posteriormente na revista que tem o mesmo nome e foi, a meu ver, um texto muito esclarecedor sobre o “machine learning”, algo que sempre me causou curiosidade e uma certa inquietação, obviamente, por absoluto desconhecimento.
Os editores convidados dessa edição especial do PLOS Medicine Machine Learning, Suchi Saria, Atul Butte e Aziz Sheikh, cortam a hipérbole com um retrato acessível e preciso da vanguarda do aprendizado de máquina (machine learning) na prática clínica. Assim, decidi publicar quase na integra o texto e apenas retirei quase toda a bibliografia para que não ficasse um texto ainda mais extenso.
“A Inteligência Artificial (IA) como um campo surgiu na década de 1960, quando profissionais das ciências da engenharia e cognitivas começaram a estudar como desenvolver tecnologias computacionais que, como as pessoas, podem realizar tarefas como detectar, aprender, raciocinar e agir. Os primeiros sistemas de IA dependiam fortemente de regras derivadas de especialistas para replicar a forma como as pessoas abordariam essas tarefas. O aprendizado de máquina (ML), um subcampo da IA, surgiu quando a pesquisa começou a aproveitar técnicas numéricas que integram princípios de computação, otimização e estatística para ‘aprender’ automaticamente programas para executar essas tarefas por meio do processamento de dados: daí o interesse recente em ‘big data’.
Embora o progresso na IA tenha sido desigual, avanços significativos na década passada levaram a uma proliferação de tecnologias que têm um impacto substancial na nossa vida quotidiana: a visão computacional e o planeamento estão impulsionando as indústrias dos jogos e dos transportes; o processamento de fala está tornando os aplicativos de conversação práticos em nossos telefones; e o processamento de linguagem natural, a representação do conhecimento e o raciocínio permitiram que uma máquina vencesse os campeões do Jeopardy and Go e estão trazendo um novo poder às pesquisas na Web [1]. Simultaneamente, porém, a hipérbole publicitária levou ao ceticismo e à incompreensão do que é e do que não é possível com o ML. Aqui, pretendo fornecer um retrato acessível, científico e tecnologicamente preciso do estado atual do AM (frequentemente referido como IA na literatura médica) na saúde e na medicina, e seu potencial.
Diagnóstico assistido por ML
Das inúmeras oportunidades de uso de ML na prática clínica, é mais provável que os fluxos de trabalho de imagens médicas sejam impactados no curto prazo. Algoritmos baseados em ML que processam automaticamente varreduras de imagens bidimensionais ou tridimensionais para identificar sinais clínicos (por exemplo, tumores ou lesões) ou determinar diagnósticos prováveis foram publicados e alguns estão progredindo através de etapas regulatórias em direção ao mercado. Muitos deles usam aprendizado profundo, uma forma de ML baseada em representações de variáveis em camadas, conhecidas como redes neurais.
Para entender como os métodos de aprendizagem profunda aproveitam os dados da imagem para realizar tarefas de reconhecimento, imagine que você está entrando em uma sala escura e procurando o interruptor da luz. Com experiências anteriores, você aprendeu a associar interruptores de luz a locais previsíveis na configuração de uma sala. Muitos algoritmos de processamento de imagens baseados em visão computacional, incluindo aprendizado profundo, imitam esse comportamento para identificar fatores associados à tarefa de reconhecimento em questão. O aprendizado profundo é especialmente poderoso em sua capacidade de interpretar imagens devido à complexidade dos fatores que pode considerar.
O poder do aprendizado profundo tem sido mais evidente na oftalmologia. Recentemente, Olaf Ronneberger e colegas aplicaram um processo de duas etapas usando aprendizagem profunda a um conjunto clinicamente heterogêneo de tomografia de coerência óptica (TC) tridimensional de pacientes encaminhados para um grande hospital oftalmológico do Reino Unido. Eles demonstraram desempenho ao fazer uma recomendação de encaminhamento que atinge ou excede a de especialistas em uma série de doenças da retina que ameaçam a visão, após treinamento em apenas 14.884 exames.
Em outro esforço, a IDx, uma empresa de automação de cuidados de saúde, desenvolveu um software baseado em aprendizagem profunda para ser usado por profissionais de saúde que tratam pacientes com diabetes para digitalizar imagens em busca de sinais de retinopatia diabética. Seu software de detecção autônomo baseado em nuvem recebeu aprovação regulatória da Food and Drug Administration (FDA) dos EUA. Com o volume e a complexidade dos diagnósticos por imagem aumentando mais rapidamente do que a disponibilidade de conhecimento humano para interpretá-los (especialmente em ambientes com poucos recursos), a triagem de doenças encaminháveis ou a detecção de doenças tratáveis em pacientes que de outra forma não receberiam exames oftalmológicos pode economizar visão e dinheiro.
Os diagnósticos radiológicos também são passíveis de aplicações baseadas em aprendizagem profunda. Num estudo publicado na edição especial da PLOS Medicine , Pranav Rajpurkar e colegas usaram um algoritmo de aprendizagem profunda para detectar 14 doenças clinicamente importantes, incluindo pneumonia, derrame pleural, massas pulmonares e nódulos em radiografias de tórax de visão frontal com desempenho interno semelhante ao dos radiologistas praticantes.
O algoritmo, chamado CheXNeXt, foi treinado, ajustado e validado internamente em subconjuntos particionados do conjunto de dados ChestX-ray8 do National Institutes of Health (NIH) (mais de 100.0000 radiografias de tórax de aproximadamente 31.000 pacientes). O desempenho do modelo foi comparado ao de 9 radiologistas (6 certificados, 3 residentes) usando uma partição estendida do conjunto de dados que consiste em imagens anotadas à mão por um painel de radiologistas especialistas em cardiotorácica. Com precisões comparáveis, o tempo médio para interpretar as 420 imagens no conjunto de validação, não surpreendentemente, foi substancialmente mais longo para os radiologistas (240 minutos) do que para o CheXNeXt (1,5 minuto). O modelo também localizou partes da imagem mais indicativas de cada doença.
Uma ferramenta como esta, embora ainda em fase inicial de desenvolvimento, oferece uma solução para erros de diagnóstico baseados na fadiga e falta de conhecimentos especializados em diagnóstico em muitas áreas do mundo onde os radiologistas não estão disponíveis ou são escassos.
Triagem e prevenção orientadas por ML
A previsão para ajudar nos esforços preventivos é outra fronteira promissora para melhorar os resultados usando o ML. Por exemplo, um estudo de Kristin Corey e colegas considerou o potencial de redução de complicações e mortalidade no prazo de 30 dias após cirurgias específicas. Usando dados de cerca de 88 mil consultas extraídas de junho de 2012 a junho de 2017, eles desenvolveram um software, Pythia, que incorpora a idade, raça, sexo, medicação e histórico de comorbidades do paciente para determinar o risco de complicações ou morte após a cirurgia.
No geral, as taxas de complicações pós-cirúrgicas foram de 16,0% para qualquer complicação em 30 dias e 0,51% para morte em 30 dias. Num conjunto de validação separado de 12.000 encontros, num limiar selecionado para ter sensibilidade de 0,75, Pythia atinge um valor preditivo positivo de 0,35; ou seja, um em cada três pacientes sinalizados pela abordagem apresenta complicação pós-cirúrgica em até 30 dias. A comparação das pontuações de Pythia com as pontuações da calculadora do Programa Nacional de Melhoria da Qualidade Cirúrgica (NSQIP) do American College of Surgeons (ACS) em um conjunto menor de 75 encontros descobriu que Pythia identifica pacientes de maior risco. Uma ferramenta como o Pythia pode permitir que cirurgiões e médicos de referência identifiquem indivíduos de alto risco que podem necessitar de avaliações direcionadas e otimização como parte de seus cuidados pré-operatórios.
Por exemplo, um paciente com anemia e com alto risco de uma complicação hematológica, como sangramento, pode se beneficiar com uma transfusão de sangue ou tratamento com ferro antes da cirurgia ou com medicamentos administrados para ajudar a mitigar o risco de perda de sangue durante o procedimento. A eficácia com que tais algoritmos podem ser operacionalizados para melhorar a adoção clínica é uma questão fundamental. Ao contrário dos aplicativos de imagens médicas, aqui o objetivo é aumentar, em vez de automatizar, os fluxos de trabalho existentes. Esforços para testar esses fluxos de trabalho na sepse, uma das principais causas de morte e uma das complicações mais dispendiosas, estão em andamento em instituições como Johns Hopkins e Duke, com o antigo sistema começando a demonstrar benefícios.
Em outro estudo relevante para a prevenção, Yizhi Liu e colegas usaram dados de refração clínica do mundo real de cerca de 130.000 indivíduos com idades entre 6 e 20 anos derivados de sistemas EMR em oito centros oftalmológicos de 2005 a 2015 para prever a progressão da miopia. A miopia atingiu níveis epidêmicos entre jovens adultos no Leste e Sudeste Asiático, afetando cerca de 80-90% dos diplomados do ensino secundário, com aproximadamente 20% deles com alta miopia. Várias intervenções preventivas, incluindo colírios de atropina e ortoceratologia, foram propostas para controlar a progressão da miopia; no entanto, essas abordagens conferem efeitos colaterais significativos. Portanto, é essencial identificar aqueles com maior risco que devem ser submetidos a terapia direcionada. Num grande conjunto de dados multi-site, a abordagem de Liu e colegas foi capaz de prever os valores de refração e o início de alta miopia aos 18 anos de idade, com 8 anos de antecedência, com desempenho clinicamente aceitável (os autores consideraram ±0,75 dioptrias clinicamente aceitáveis precisão).
Agrupamento para descoberta de subtipos de doenças
As definições de doenças e subtipos de doenças que usamos hoje baseiam-se em grande parte nas descrições originais baseadas em sintomas oferecidas no século XVII por Sydenham e Linnaeus, e nas definições baseadas em órgãos desenvolvidas por Osler no século XX. No entanto, é agora possível ir além destas abordagens observacionais para abordagens mais baseadas em dados para diagnóstico e classificação de doenças. Numa série de experiências, Adnan Custovic e colegas têm seguido esta abordagem no contexto da asma e da alergia.
Usando ML não supervisionado, o grupo analisou dados da coorte de nascimentos baseada na população do Manchester Asthma and Allergy Study (MAAS) e foi capaz de identificar novos fenótipos de atopia infantil. Através de uma investigação mais aprofundada deste mesmo conjunto de dados, os autores identificaram agora agrupamentos de sensibilização por IgE específica de componentes, utilizando análise de agrupamentos hierárquicos e de rede que podem ajudar a prever melhor o risco de asma infantil.
Acreditamos que existem oportunidades consideráveis para empregar abordagens semelhantes baseadas em dados para auxiliar processos de diagnóstico em outras áreas de doenças, e o uso de métodos de ML para encontrar novos subconjuntos de doenças acionáveis será fundamental para o avanço da medicina de precisão.
Reduzindo erros de medicação por meio da detecção de anomalias
Os erros de medicação são responsáveis por morbidade, mortalidade e custos de saúde consideráveis – e potencialmente evitáveis. Esses erros podem ser identificados por vários meios, incluindo revisões de prontuários de especialistas, uso de gatilhos, abordagens baseadas em regras para triagem de EMRs e auditorias de eventos significativos. No entanto, estas abordagens estão associadas a uma série de desafios: sensibilidade e especificidade abaixo do ideal, consumo de tempo e despesas.
As técnicas de detecção de anomalias baseadas em ML começam com o desenvolvimento de um modelo probabilístico do que provavelmente ocorrerá em um determinado contexto usando dados históricos. Usando este modelo, um novo evento (por exemplo, medicação administrada numa dose específica) dentro de um contexto específico (por exemplo, características individuais do paciente) é sinalizado como anómalo se a sua probabilidade de ocorrer nesse contexto for muito pequena. MedAware é um sistema disponível comercialmente que utiliza detecção de anomalias para gerar alertas de erros de medicação.
Num estudo recente, Gordon Schiff e colegas utilizaram a revisão de prontuários médicos para analisar a validade e utilidade clínica destes alertas, e descobriram que três quartos dos alertas gerados pelo sistema de rastreio eram válidos de acordo com os prontuários. Destes alertas validados, a maioria (75,0%) foi considerada clinicamente útil na sinalização de possíveis erros ou problemas de medicação. Tais descobertas indicam que esta abordagem tem potencial para ser incorporada no uso clínico, embora Schiff e colegas alertem que a utilidade deste sistema é altamente dependente da qualidade e abrangência dos dados subjacentes.
O médico aumentado por ML
Discutimos vários exemplos do potencial do ML para transformar os cuidados médicos. No entanto, a implementação ingênua do ML sem uma validação cuidadosa também pode prejudicar os pacientes e o público. Consideremos, como exemplo, um esforço hipotético para prever o risco de internações hospitalares de emergência utilizando um modelo treinado em dados de internações anteriores para pacientes com diversas características e sintomas.
As admissões reais geralmente estão sujeitas à disponibilidade de leitos, ao tipo de seguro que o indivíduo possui e às práticas de reembolso. Embora este modelo treinado possa permitir o planeamento de recursos a nível populacional, tentar utilizá-lo para triagem a nível individual pode classificar incorretamente um indivíduo como não necessitando de admissão. Até certo ponto, um algoritmo de ML pode replicar decisões anteriores, incluindo preconceitos em torno de raça e sexo que podem ter influenciado o julgamento clínico sobre o nível de cuidados prestados.
A “extrapolação irracional” – a suposição de que algoritmos treinados em um conjunto de pacientes ou dados fáceis de obter levarão a modelos precisos que agem no melhor interesse de cada paciente – deve ser rigorosamente evitada até que os algoritmos possam corrigir tais vieses e usar dados clínicos raciocinar sobre a gravidade e a trajetória da doença. Outra armadilha da implementação ingênua reside na capacidade do ML, e particularmente do aprendizado profundo, de se ajustar demais aos dados; isto é, identificar associações no conjunto de dados de treinamento que não são verdadeiramente intrínsecas à previsão clínica e não serão relevantes externamente.
As técnicas que aproveitam fatores causais têm menos probabilidade de serem propensas a esse overfitting (por exemplo), e a construção consciente de conjuntos de dados de treinamento e vários esforços de validação externa para cada modelo treinado podem fornecer alguma garantia de que os modelos baseados em ML são válidos. Estes desenvolvimentos na ciência da computação, juntamente com elevados padrões de validação entre cientistas de dados médicos, são cruciais para que o BC beneficie o cuidado futuro dos pacientes.
Paralelamente, os médicos e investigadores clínicos que permanecem conscientes dos sucessos e das necessidades no campo podem ser uma força inestimável no desenvolvimento e implementação ideais destas abordagens poderosas. A nova geração de profissionais não deve temer desnecessariamente o BC, mas sim aprender como compreendê-lo, desenvolvê-lo e, em última análise, aproveitá-lo para melhorar o atendimento ao paciente”.
REFERÊNCIA:
(1)- Stone P, Brooks R, Brynjolfsson E, Calo R, Etzioni O, Hager G, et al. Inteligência artificial e vida em 2030. Estudo de cem anos sobre inteligência artificial: Relatório do Painel de Estudos 2015-2016. Stanford, CA: Universidade de Stanford. Disponível em: http://ai100.stanford.edu/2016-report . Acessado em 15 de novembro de 2018.
Carmino Antônio De Souza é professor titular da Unicamp. Foi secretário de saúde do estado de São Paulo na década de 1990 (1993-1994) e da cidade de Campinas entre 2013 e 2020. Secretário-executivo da secretaria extraordinária de ciência, pesquisa e desenvolvimento em saúde do governo do estado de São Paulo em 2022 e atual Presidente do Conselho de Curadores da Fundação Butantan. Diretor científico da Associação Brasileira de Hematologia, Hemoterapia e Terapia Celular (ABHH).
