O futuro da prática médica ‘padrão’ pode chegar mais cedo do que o esperado, onde um paciente pode consultar um sistema de Inteligência Artificial antes de consultar um médico. Através dos avanços na Inteligência Artificial (IA), parece possível que os dias de diagnóstico incorreto e tratamento de sintomas de doenças, em vez de sua causa raiz, fiquem no passado. Os dados acumulados gerados nas clínicas e armazenados em registros médicos eletrônicos por meio de testes comuns e imagens médicas permitem mais aplicações de Inteligência Artificial e Medicina de alto desempenho orientada a dados. Essas aplicações mudaram e continuarão a mudar a maneira como médicos e pesquisadores abordam a solução de problemas clínicos.

No entanto, embora alguns algoritmos possam competir e, às vezes, superar os clínicos em uma variedade de tarefas, eles ainda precisam ser totalmente integrados à prática médica do dia-a-dia. Por quê? Porque, embora esses algoritmos possam impactar significativamente a Medicina e reforçar o poder das intervenções médicas, existem inúmeras preocupações regulatórias que precisam ser abordadas primeiro.

O Que Torna um Algoritmo Inteligente?

Semelhante à forma como os médicos são educados durante anos de faculdade de Medicina, realizando tarefas e exames práticos, recebendo notas e aprendendo com os erros, os algoritmos de IA também devem aprender a fazer seu trabalho. Geralmente, os trabalhos que os algoritmos de IA podem realizar são tarefas que exigem inteligência humana, como reconhecimento de padrões e fala, análise de imagem e tomada de decisão. No entanto, os humanos precisam dizer explicitamente ao computador exatamente o que procurariam na imagem que atribuem a um algoritmo, por exemplo. Em resumo, os algoritmos de IA são ótimos para automatizar tarefas árduas e, às vezes, podem superar os humanos nas tarefas para as quais eles são treinados.

Para gerar um algoritmo de IA eficaz, os sistemas de computador são alimentados primeiro com dados que normalmente são estruturados, o que significa que cada ponto de dados tem um rótulo ou anotação reconhecível pelo algoritmo (figura abaixo). Depois que o algoritmo é exposto a conjuntos de pontos de dados e rótulos suficientes, o desempenho é analisado para garantir a precisão, assim como os exames são aplicados aos alunos. Esses “exames” dos algoritmos geralmente envolvem a entrada de dados de teste para os quais os Cientistas de Dados já sabem as respostas, permitindo que eles avaliem a capacidade dos algoritmos de determinar a resposta correta. Com base nos resultados dos testes, o algoritmo pode ser modificado, alimentado com mais dados ou implementado para ajudar a tomar decisões.

 

image2

A imagem acima mostra um exemplo de algoritmo que aprende a anatomia básica de uma mão e pode recriar onde uma parte ausente deve estar. A entrada é uma variedade de raios-x da mão, e a saída é um rastro de onde partes ausentes da mão devem estar. O modelo, nesse caso, é o esboço da mão que pode ser gerado e aplicado a outras imagens. Isso pode permitir que os médicos vejam o local apropriado para reconstruir um membro ou colocar uma prótese. Imagem de Sean Wilson.

 

Existem muitos algoritmos diferentes que podem aprender com os dados. A maioria das aplicações da IA na Medicina lida com algum tipo de dados, seja numérico (como frequência cardíaca ou pressão arterial) ou baseado em imagens (como exames de ressonância magnética ou imagens de amostras de tecidos de biópsia) como entrada. Os algoritmos aprendem com os dados e produzem uma probabilidade ou uma classificação. Por exemplo, o resultado acionável pode ser a probabilidade de ser um coágulo arterial com base em dados de frequência cardíaca e pressão arterial, ou a rotulagem de uma amostra de tecido imaginária como cancerígena ou não-cancerígena. Em aplicações médicas, o desempenho de um algoritmo em uma tarefa de diagnóstico é comparado ao desempenho de um médico para determinar sua capacidade e valor na clínica.

Aplicações Recentes da IA em Medicina

Os avanços no poder computacional combinados com grandes quantidades de dados (Big Data) gerados nos sistemas de saúde tornam muitos problemas clínicos propensos a aplicativos de IA. Abaixo estão duas aplicações recentes de algoritmos precisos e clinicamente relevantes que podem beneficiar pacientes e médicos, tornando o diagnóstico mais simples.

O primeiro desses algoritmos é um dos vários exemplos existentes de um algoritmo que supera os médicos nas tarefas de classificação de imagens. No outono de 2018, pesquisadores do Hospital da Universidade Nacional de Seul e da Faculdade de Medicina desenvolveram um algoritmo de IA chamado DLAD (Deep Learning–based Automatic Detection – Detecção Automática Baseada em Aprendizado Profundo) para analisar radiografias de tórax e detectar crescimento celular anormal, como possíveis cânceres (figura abaixo). O desempenho do algoritmo foi comparado às habilidades de detecção de vários médicos nas mesmas imagens e superou 17 dos 18 médicos testados.

 

image1

O painel esquerdo mostra a imagem inserida em um algoritmo. O painel direito mostra uma região de células potencialmente perigosas, identificada por um algoritmo, que um médico deve examinar com mais atenção. Imagem de Sean Wilson.

 

O segundo desses algoritmos vem de pesquisadores do Google AI Healthcare, também no outono de 2018, que criaram um algoritmo de aprendizado, o LYNA (Lymph Node Assistant), que analisou histologia de amostras de tecido manchado para identificar tumores metastáticos de câncer de mama a partir de biópsias de linfonodos. Esta não é a primeira aplicação da IA ​​para tentar a análise histológica, mas, curiosamente, esse algoritmo pode identificar regiões suspeitas indistinguíveis para o olho humano nas amostras de biópsia fornecidas. O LYNA foi testado em dois conjuntos de dados e demonstrou classificar com precisão uma amostra como cancerígena ou não cancerígena corretamente 99% das vezes. Além disso, quando dado aos médicos para usar em conjunto com suas análises típicas de amostras de tecido manchado, o LYNA reduziu pela metade o tempo médio de revisão das lâminas.

Recentemente, outros algoritmos baseados em imagem mostraram uma capacidade semelhante de aumentar a precisão do médico. No curto prazo, esses algoritmos podem ser usados ​​pelos médicos para auxiliar na verificação dupla de seus diagnósticos e na interpretação dos dados do paciente mais rapidamente, sem sacrificar a precisão. A longo prazo, no entanto, algoritmos aprovados pelo governo podem funcionar de forma independente, permitindo que os médicos se concentrem nos casos que os computadores não conseguem resolver. Tanto o LYNA quanto o DLAD servem como exemplos principais de algoritmos que complementam as classificações dos médicos de amostras saudáveis ​​e doentes, mostrando aos médicos características importantes das imagens que devem ser estudadas mais de perto. Esses trabalhos exemplificam os pontos fortes potenciais dos algoritmos na Medicina; então, o que os impede do uso clínico?

Implicações Regulatórias e Limitações de Algoritmos

Até agora, os algoritmos na Medicina mostraram muitos benefícios em potencial para médicos e pacientes. No entanto, regular esses algoritmos é uma tarefa difícil. A Food and Drug Administration (FDA) dos EUA aprovou alguns algoritmos, mas atualmente não existem diretrizes de aprovação universal. Além disso, as pessoas que criam algoritmos para usar em Medicina nem sempre são os médicos que tratam os pacientes; portanto, em alguns casos, os computacionalistas podem precisar aprender mais sobre Medicina, enquanto os clínicos podem precisar aprender sobre as tarefas de um algoritmo específico. Embora a IA possa ajudar no diagnóstico e em tarefas clínicas básicas, é difícil imaginar cirurgias cerebrais automatizadas, por exemplo, onde, às vezes, os médicos precisam mudar sua abordagem rapidamente quando vêem o paciente. Dessa maneira e outras, as possibilidades de IA na Medicina atualmente superam as capacidades da IA ​​no atendimento ao paciente. As diretrizes esclarecidas do FDA, no entanto, podem ajudar a especificar requisitos para algoritmos e resultar em um aumento nos algoritmos implantados clinicamente.

Além disso, o FDA possui critérios rígidos de aceitação para ensaios clínicos, exigindo extrema transparência em torno dos métodos científicos. Muitos algoritmos dependem de matemática muito complexa e difícil de desenvolver, às vezes chamada de ‘caixa preta’, para passar dos dados de entrada ao resultado final. A incapacidade de ‘desempacotar a caixa preta’ e esclarecer o funcionamento interno de um algoritmo afetaria a probabilidade de o FDA aprovar um teste que se baseia na IA? Provavelmente. Compreensivelmente, pesquisadores, empresas e empreendedores podem hesitar em expor seus métodos proprietários ao público, correndo o risco de perder dinheiro tendo suas ideias tomadas e fortalecidas por outros. Se as leis de patentes mudarem de seu estado atual, onde um algoritmo é tecnicamente patenteável apenas se fizer parte de uma máquina física, a ambiguidade em torno dos detalhes do algoritmo pode diminuir. De qualquer maneira, é necessário aumentar a transparência a curto prazo, para que os dados do paciente não sejam manipulados incorretamente ou classificados incorretamente e, portanto, seria mais fácil determinar se um algoritmo será suficientemente preciso ou não.

Além dos obstáculos para a aprovação do FDA, os algoritmos de IA também podem enfrentar dificuldades para alcançar a confiança e a aprovação dos pacientes. Sem que haja um entendimento claro de como um algoritmo funciona por aqueles que o aprovam para uso clínico, os pacientes podem não estar dispostos a deixá-lo ser usado para ajudar com suas necessidades médicas. Se forçados a escolher, os pacientes preferem ser diagnosticados erroneamente por um ser humano ou por um algoritmo, se o algoritmo geralmente supera os médicos? Essa é uma pergunta difícil para muitos responderem, mas provavelmente se resume a sentir-se confiante na tomada de decisões de um algoritmo. A tomada de decisão correta é uma função da estrutura dos dados usados ​​como entrada, que é de vital importância para a funcionalidade correta. Com dados enganosos, os algoritmos podem fornecer resultados enganosos. É bem possível que indivíduos que criam um algoritmo talvez não saibam que os dados que alimentam são enganosos até que seja tarde demais, e seu algoritmo causou negligência médica. Esse erro pode ser evitado por clínicos e programadores, sendo bem informados sobre os dados e métodos necessários para usar os dados corretamente no algoritmo. Ao estabelecer relacionamentos entre médicos que entendem as especificidades dos dados clínicos e os Cientistas de Dados que criam os algoritmos, será menos provável que um algoritmo aprenda a fazer escolhas incorretas.

O entendimento adequado das limitações dos algoritmos pelos clínicos e o entendimento adequado dos dados clínicos pelos Cientistas de Dados é essencial para a criação de algoritmos utilizáveis ​​na Medicina. Ainda parecemos estar longe de algoritmos que operam independentemente nas clínicas, especialmente devido à falta de um caminho claro para aprovação clínica. Definir as qualidades necessárias para que um algoritmo seja considerado suficientemente preciso, ao mesmo tempo em que aborda as possíveis fontes de erro na tomada de decisões do algoritmo e é transparente sobre onde um algoritmo prospera e onde falha, pode permitir a aceitação pública de algoritmos e suplantar os médicos em determinadas tarefas. Vale a pena tentar superar esses desafios para aumentar universalmente a precisão e a eficiência das práticas médicas de várias doenças. Caminhamos nessa direção e os pioneiros serão recompensados pela iniciativa em liderar essa revolução que a IA vai causar na Medicina.

Referências:

Baseado  no artigo da Harvard University, de Daniel Greenfield: Artificial Intelligence in Medicine: Applications, implications, and limitations

Molecular Transformer: A Model for Uncertainty-Calibrated Chemical Reaction Prediction

Molecular Transformer unifies reaction prediction and retrosynthesis across pharma chemical space

AI learns the language of chemistry to predict how to make medicines

Q&A: AI Could ‘Redesign’ the Drug Development Process

How AI Can Speed Up Drug Discovery

High-performance medicine: the convergence of human and artificial intelligence

Equipe DSA