Grande parte da Inteligência Artificial (IA) funciona usando a matemática para encontrar e completar padrões. Partes das equações matemáticas são especificadas por humanos e partes das equações são aprendidas a partir de dados. Os dados podem consistir originalmente em números, letras, áudio ou imagens; esses dados são transformados em formatos que a IA seja capaz de processar(1).
O chamado machine learning representa uma coleção de métodos capazes de realizar tarefas inteligentes por meio da identificação de padrões nos dados. Embora esse método possa ser aplicado a pequenas quantidades de dados, são as grandes fontes de dados, como bancos de dados de prontuários médicos eletrônicos, que fornecem dados suficientes para que os métodos de machine learning sejam capazes de descobrir dados complexos(1).
Em uma cartilha, o Jornal de Medicina da Família do Canadá (1) forneceu uma visão geral conceitual dos tipos de tarefas que a IA pode realizar com exemplos de aplicativos na atenção primária.
Leia abaixo as principais informações e exemplos fornecidos pela cartilha:
Principais tarefas da IA
Previsão de resultados pré-especificados
Usa-se informações conhecidas pré-existentes para prever ou estimar informações ou resultados desconhecidos . Esses resultados podem ser atuais (por exemplo, essa pessoa tem diabetes não diagnosticada agora?) ou eventos futuros (por exemplo, essa pessoa desenvolverá diabetes no próximo ano?)(1).
Esses tipos de tarefas são executados principalmente por métodos de machine learning supervisionados, que procuram padrões que relacionam dados pré-existentes a um resultado pré-especificado. Esses tipos de ferramentas orientadas por IA podem ser classificadas como bloqueadas ou adaptáveis, dependendo se os padrões implícitos às previsões podem mudar ativamente à medida que uma ferramenta é usada ao longo do tempo.
Como exemplo de aplicação dessa tarefa, uma ferramenta(2) foi criada para otimizar o agendamento da clínica e reduzir o tempo de espera dos pacientes. As entradas de dados incluem informações demográficas e horários do sistema de agendamento; os resultados previstos incluem não comparecimentos e cancelamentos de compromissos. A equipe administrativa pode usar a ferramenta para identificar consultas em que há alto risco de falta ou cancelamento do paciente, o que oferece a oportunidade de avisar o paciente com antecedência da data agendada sobre o compromisso e de agendar o horário da consulta para outro paciente, em caso de desistência(1).
Explorando e descrevendo dados
O objetivo dessa tarefa é capturar a estrutura geral, tendências ou outros tipos de informações descritivas sobre os dados. Uma tarefa comum é o agrupamento, que pode ser usado para entender melhor um conjunto de dados e gerar hipóteses sobre a população representada nesses dados. Os tipos de métodos de IA usados para realizar tarefas de dados exploratórias e descritivas são frequentemente chamados de métodos de machine learning não supervisionados(1) .
Sustentar sequências de decisões
Esta tarefa é executada usando dados ao longo do tempo. A qualquer momento (por exemplo, uma consulta clínica), pode haver várias ações possíveis a serem tomadas (por exemplo, opções de tratamento); Os métodos de IA podem ser usados para prever qual ação otimizará uma “função de recompensa” que representa o resultado ou resultados de interesse. Depois que uma decisão é feita sobre qual ação tomar, o feedback é capturado e usado para atualizar as previsões sobre qual pode ser a próxima melhor ação. Tarefas relacionadas a apoiar decisões ou ações ao longo do tempo geralmente são executadas com métodos que se enquadram no subcampo de machine learning por aprendizado de reforço.
Métodos especializados
Analisando dados de idioma
O subcampo da IA chamado processamento de linguagem natural está preocupado em identificar e agir em padrões de dados de linguagem. Uma aplicação comum para dados de linguagem oral é o reconhecimento de fala, como tarefas de perguntas e respostas em chamadas telefônicas automatizadas.
Um exemplo de aplicação clínica dessa tarefa foi desenvolvido (3-5) para auxiliar na documentação do médico durante uma consulta médica. A máquina pode extrair e registrar automaticamente as principais notas e diagnósticos de uma conversa entre o médico e o paciente.
Analisando dados de imagem
Chamado visão computacional, esse subcampo da IA se concentra no processamento e interpretação de dados de imagem. As aplicações clínicas da visão computacional geralmente envolvem o objetivo final da classificação, como prever se o conteúdo de uma imagem está dentro da variação saudável esperada ou se é preocupante e merece investigação adicional.
A ferramenta de exemplo (6) foi projetada para identificar a retinopatia diabética em 60 segundos e funciona com câmeras oculares mais especializadas que fornecem imagens de alta qualidade. Após a interpretação, a máquina recomenda ao paciente se deve ou não consultar um oftalmologista.
A IA pode ser centrada em dados e/ou em regras. Sendo que as ferramentas orientadas por regras incluem sistemas especialistas anteriores à era do “big data”.
Sistemas especialistas
Para realizar tarefas como sugerir diagnósticos ou tratamentos, os sistemas especialistas modernos podem contar com uma combinação de métodos centrados em regras e centrados em dados.
Como exemplo de aplicação de sistema especialista, o MYCIN, foi um sistema desenvolvido na década de 1970 para apoiar decisões de tratamento para infecções bacterianas. A base de conhecimento incluía centenas de regras extraídas de especialistas humanos, livros didáticos e relatos de casos. Cada regra tinha 2 partes principais: uma pré-condição e uma ação. As informações de pré-condição foram obtidas por meio de um processo de perguntas e respostas com um médico até que todas as informações relevantes fossem inseridas, momento em que o MYCIN forneceria diagnósticos e tratamentos sugeridos(1, 7).
Artigos relacionados
Inteligência artificial quebrando barreiras na saúde
O Dr. Google agora literalmente irá (re)consultar você
A inteligência artificial aplicada à medicina: COVID-19 e uma nova esperança.
Referências
Primer for artificial intelligence in primary care, Jacqueline K. Kueper, Canadian Family Physician Dec 2021, 67 (12) 889-893; DOI: 10.46747/cfp.6712889
Optimize your schedule with Attendance Predictor. Orlando, FL: Mend. Available from: https://www.mend.com/no-show-predictor/. Accessed 2021 Nov 5.Google Scholar
15.Khattak FK, Jeblee S, Crampton N, Mamdani M, Rudzicz F.AutoScribe: extracting clinically pertinent information from patient-clinician dialogues. Stud Health Technol Inform 2019;264:1512-3.Google Scholar
Jeblee S, Khattak FK, Crampton N, Mamdani M, Rudzicz F. Extracting relevant information from physician-patient dialogues for automated clinical note taking. In: Proceedings of the Tenth International Workshop on Health Text Mining and Information Analysis (LOUHI 2019). Hong Kong: Association for Computational Linguistics; 2019. p. 65-74.Google Scholar
AutoScribe. Toronto, ON: Mutuo Health Solutions. Available from: https://mutuohealth.com. Accessed 2021 Apr 23.Google Scholar
EyeArt AI eye screening system. Woodland Hills, CA: Eyenuk, Inc. Available from: https://www.eyenuk.com/en/products/eyeart/. Accessed 2021 Feb 20.Google Scholar
Shortliffe EH, Davis R, Axline SG, Buchanan BG, Green CC, Cohen SN. Computer-based consultations in clinical therapeutics: explanation and rule acquisition capabilities of the MYCIN system. Comput Biomed Res 1975;8(4):303-20.CrossRefPubMedGoogle Scholar