Sou de uma geração onde o uso da Inteligência Artificial (IA) e o aprendizado de máquina (AM) não existiam, praticamente. É claro, que tenho dificuldade de entender e praticar ambas, ainda que tente. Apesar disto, é importante dizer que a Inteligência Artificial como campo de estudo surgiu na década de 1960, quando profissionais das áreas de engenharia e ciências cognitivas começaram a estudar como desenvolver tecnologias computacionais que, assim como os humanos, pudessem realizar tarefas como percepção, aprendizado, raciocínio e ação. 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, um subcampo da IA, surgiu quando as pesquisas começaram a utilizar técnicas numéricas que integravam princípios da computação, otimização e estatística para “aprender” automaticamente programas a realizar essas tarefas por meio do processamento de dados: daí o recente interesse em “big data”. Embora o progresso na IA tenha sido desigual, avanços significativos na década atual levaram a uma proliferação de tecnologias que impactam substancialmente nosso cotidiano: a visão computacional e o planejamento estão impulsionando as indústrias de jogos e transporte; e o processamento de fala está tornando os aplicativos conversacionais práticos em nossos telefones; e o processamento de linguagem natural.
Na medicina as aplicações estão crescendo de maneira acelerada. Dentre as inúmeras oportunidades de uso de AM na prática clínica, os fluxos de trabalho de imagem médica são os que provavelmente estão sendo bastante impactados em curto prazo. Algoritmos baseados em AM que processam automaticamente imagens em 2D ou 3D para identificar sinais clínicos (como tumores ou lesões) ou determinar diagnósticos prováveis já foram publicados. O poder da aprendizagem profunda tem sido também presente na oftalmologia.
Autores demonstraram um desempenho na elaboração de recomendações de encaminhamento que atinge ou supera o de especialistas em uma variedade de doenças retinianas com risco de perda de visão, após treinamento com 14.884 exames. Em outro esforço, um software baseado em aprendizagem profunda para ser usado por profissionais de saúde que tratam pacientes com diabetes, permitindo a análise de imagens em busca de sinais de retinopatia diabética.
Com o volume e a complexidade das imagens diagnósticas aumentando mais rapidamente do que a disponibilidade de conhecimento especializado para interpretá-las (especialmente em ambientes com poucos recursos), a triagem para doenças que requerem encaminhamento ou a detecção de doenças tratáveis em pacientes que, de outra forma, não receberiam exames oftalmológicos pode salvar a visão. Os diagnósticos radiológicos também são passíveis de aplicação por meio de aprendizado profundo. Com níveis de precisão comparáveis, o tempo médio para interpretar imagens no conjunto de validação, como era de se esperar, foram substancialmente maiores para os radiologistas do que para o modelo informatizado (1,5 minutos). O modelo também localizou as partes da imagem mais indicativas de cada doença.
A previsão para auxiliar em esforços preventivos é outra fronteira promissora para a melhoria de resultados pós operatórios. Uma ferramenta denominada Pythia pode permitir que cirurgiões e médicos encaminhadores identifiquem indivíduos de alto risco e que podem necessitar de avaliações e otimizações direcionadas como parte de seu cuidado pré-operatório.
Por exemplo, um paciente com anemia e alto risco de complicações hematológicas, como sangramento, pode se beneficiar da infusão de ferro ou transfusão de hemácias ou outra modalidade de preparo antes da cirurgia ou do controle da medicação para ajudar a mitigar o risco de perda de sangue durante o procedimento. Erros de medicação são outros fatores responsáveis por morbidade, mortalidade e custos de saúde consideráveis — e potencialmente evitáveis.
Esses erros podem ser identificados por diversos meios, incluindo revisões de prontuários por especialistas, uso de gatilhos, abordagens baseadas em regras para triagem de registros médicos eletrônicos e auditorias de eventos significativos. No entanto, essas abordagens apresentam diversos desafios: sensibilidade e especificidade subótimas, consumo de tempo e custo elevado. Técnicas de detecção de anomalias baseadas em AM começam com o desenvolvimento de um modelo probabilístico do que provavelmente ocorrerá em um determinado contexto, utilizando dados históricos.
Com novos modelos, um novo evento anômalo tem sua probabilidade de ocorrer reduzido. Esses avanços na ciência da computação, juntamente com altos padrões de validação entre cientistas de dados médicos, são cruciais para que o AM beneficie o futuro do atendimento ao paciente. Paralelamente, clínicos e pesquisadores clínicos que se mantêm atentos aos sucessos e às necessidades da área podem ser uma força inestimável no desenvolvimento e implementação ideais dessas abordagens poderosas.
A nova geração de profissionais não deve temer o AM, mas sim aprender a compreendê-lo, desenvolvê-lo e, por fim, utilizá-lo para melhorar o atendimento ao paciente.
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, Presidente do Conselho de Curadores da Fundação Butantan, membro do Conselho Superior e vice-presidente da Fapesp, pesquisador responsável pelo CEPID CancerThera da Fapesp.
