[ editar artigo]

Convergência da inteligência humana e artificial: a posição do médico homo hybridus

Convergência da inteligência humana e artificial: a posição do médico homo hybridus

A inserção da inteligência artificial (IA) na medicina e todo seu espólio defluente, como o Machine Learning (ML) e Big Data (BD), está causando impactos para os médicos, predominantemente através da interpretação rápida e precisa da imagem; para sistemas de saúde, melhorando o fluxo de trabalho e o potencial para reduzir erros médicos; e para os pacientes, permitindo que eles processem seus próprios dados para promover a saúde.

Há uma resistência frente a esse impacto, decorrente de diversos motivos, entre ele medos, preconceito, privacidade e segurança e falta de transparência. É notório que com a evolução dos meios, melhorias acentuadas ocorrerão na precisão, produtividade e fluxo de trabalho, mas se isso será usado para melhorar o relacionamento paciente-médico ou facilitar sua erosão, ainda está por ser visto.

Eric Topol, médico futurista, o qual tive o prazer de ler seus livros e artigos, consegue enxergar que a medicina está em uma encruzilhada de duas grandes tendências. A primeira é um modelo de negócio fracassado, com gastos e empregos crescentes alocados à assistência médica, mas com resultados-chave deteriorantes, incluindo expectativa de vida reduzida e alta mortalidade infantil e materna, além de graves erros relacionados à saúde, desperdícios e tempo inadequado entre médicos e pacientes.

O segunda é a geração de dados em grandes quantidades, a partir de fontes como imagens médicas de alta resolução, biossensores com saída contínua de métricas fisiológicas, sequenciamento de genoma e registros médicos eletrônicos. Os limites da análise desses dados apenas por humanos foram claramente excedidos, exigindo um aumento da dependência de máquinas.

Consequentemente, ao mesmo tempo em que há mais dependência do que nunca em humanos para fornecer assistência médica, algoritmos são desesperadamente necessários para ajudar. Apesar disso tudo, essa relação temporal da inteligência humana e artificial para a medicina ainda se encontra no segundo zero, no ponto de partida no uso de redes neurais.

A ajuda a todos profissionais de saúde que a IA permitirá uma inserção da máquina mais diagnóstico-preditiva e do homem mais prescritivo-humana. Cada especialidade médica terá um impacto e engajamento diferente. Algumas delas:

Radiologia

Quando a radiografia de tórax surgiu, questionamentos sobre onde ficaria o exame físico e contato com o paciente surgiram. Hoje faz parte do rol de exames médicos mais solicitados.

Múltiplos trabalhos com desenhos interessantes já existem mostrando o diagnóstico por meio de algoritmos mais ágil e preciso das imagens radiológicas, mas claro que longe do ideal. Essa área já sofre influência de gigantes da tecnologia que até então não tinham nada relacionado à área de saúde. Uma varredura de uma imagem por algoritmo pode chegar a ser feita em 1,2 segundos, ante 177 segundos do radiologista. Ainda, é possível fornecer menor quantidade de radiação para esses pacientes.

Por outro lado, outros trabalhos conseguem demonstrar pior desempenho no algoritmo, muito relacionado às atividades que necessitam interferência humana, indicando que há muito mais trabalho a ser feito. Trabalhos relacionando o campo da IA à melhora clínica do paciente já estão acontecendo. De fato, o campo está longe de demonstrar uma precisão muito alta e reproduzível da máquina, sem falar em utilidade clínica, para a maioria das varreduras e imagens médicas no ambiente clínico do mundo real.

 

Patologia

Ainda é rotineiro o uso de slides de vidro em imagens digitais, sem contar que usam imagens de slide inteiro para permitir a visualização de uma amostra de tecido inteira em um slide. A heterogeneidade e inconsistência marcadas entre as interpretações das lâminas dos patologistas foram amplamente documentadas, exemplificadas pela falta de concordância no diagnóstico de tipos comuns de alguns tecidos.

deep learning de slides de patologia digitalizados oferece o potencial de melhorar a precisão e, principalmente, a velocidade da interpretação. Nessa área temos inclusive mostrando que a combinação de patologistas e algoritmo levou à melhor precisão, e acelerou acentuadamente a revisão dos slides. Este estudo é particularmente notável, pois a sinergia da interpretação combinada do patologista e algoritmo foi enfatizada em vez da comparação generalizada entre clínico e algoritmo.

Além de classificar os tumores com mais precisão pelo processamento de dados, o uso de um algoritmo de aprendizado profundo para aprimorar imagens fora de foco também pode ser útil. Algoritmos para para interpretação de imagens foram aprovados pela Food and Drug Administration (FDA), e a lista está se expandindo rapidamente. Em 2018, o FDA publicou um plano de aprovação rápida para algoritmos médicos de IA.

 

Dermatologia

Apesar de trabalhos mostrando maior precisão com uso da rede neural na avaliação dermatoscópica, nenhum estudo foi realizado no cenário clínico, com todas nuances envolvendo a consulta.

O impacto maior será na atenção primária em que médicos não qualificados acabam precisando dar um diagnóstico, onde problemas com imprecisão têm sido ressaltados. Se a IA puder ser confiável para simular dermatologistas experientes, isso representaria um avanço significativo.

 

Oftalmologia 

Nessa especialidade existem trabalhos com resultados diversos, ponderando ora para um lado, ora para o outro, ora mostrando similaridade. A atenção primária com médicos não especialistas também será a mais impactada. Ainda, o paciente pode assistir a um vídeo que mostra quais partes de sua verificação foram usadas para chegar às conclusões do algoritmo, juntamente com o nível de confiança que ele tem para o diagnóstico. Isso define um novo padrão para os esforços futuros para desvendar a “caixa preta” das redes neurais.

Algoritmos em atenção primária, dadas suas altas especificidade e sensibilidade na análise de imagens em pacientes diabéticos com retinopatia, foram liberados pela FDA (dispositivo IDx), sem a necessidade de um clínico. Nesse caso há a primeira avaliação prospectiva da IA na clínica, demonstrando ainda alguns casos falso-positivos.

 

Cardiologia

Assim como a radiografia para os radiologistas, as principais imagens que os cardiologistas usam na prática são eletrocardiogramas (ECG) e ecocardiogramas, ambas avaliadas com redes neurais profundas. Nessa área ultrapassa a dicotomia médico-IA, ocorrendo uma comparação entre o médico, o ECG/Ecocardiograma e IA.

A IA trouxe sensibilidade e especificidade maiores, principalmente nos casos mais incomuns na prática clínica, mas isso não reflete a leitura real dos estudos, que são loops de vídeo em movimento. Ainda é possível a detecção de hipercalemia (potássio elevado no sangue) analisando o padrão do ECG no smartwatch, revelando um conceito de um nível de potássio elevado no sangue por um dispositivo de uso habitual.

 

Gastroenterologia

A IA está sendo de grande valia em casos que são extremamente difíceis para os gastroenterologistas na colonoscopia. Nessa área houve validação clínica prospectiva e o algoritmo funcionou igualmente bem para gastroenterologistas iniciantes e especialistas, sem a necessidade de injetar corantes. Tais resultados são temáticos: a visão de máquina, com alta ampliação, pode interpretar com precisão e rapidez imagens médicas específicas, bem como ou melhores que os humanos.

 

Saúde mental

Depressão é a doença do século e junto de outros transtornos psiquiátricos, onera a saúde pública e privada, podendo a IA apoiar os pacientes afetados e o número imensamente insuficiente de médicos. Vários dispositivos criados e em desenvolvimento incluem rastreamento digital de depressão e humor por meio da interação do teclado, fala, voz, reconhecimento facial, sensores e uso de chatbots interativos.

Postagens em redes sociais preveem o diagnóstico de depressão documentado em registros médicos eletrônicos. Machine Learning foi explorada para prever medicamentos antidepressivos bem-sucedidos, caracterizar a depressão, prever suicídio e prever crises de psicose em esquizofrênicos. Já temos medicamentos criados pela IA para o transtorno obsessivo compulsivo.

 

Nutrição

Aplicativos usam o reconhecimento de imagem dos alimentos para obter conteúdo calórico e nutricional. Um estudo conseguiu recentemente um registro da mensuração contínua da glicemia, juntamente com a avaliação do microbioma intestinal, atividade física, sono, medicamentos, ingestão de alimentos e bebidas e uma variedade de testes de laboratório. Assim foi possível prever a resposta glicêmica a alimentos específicos para um indivíduo, um padrão fisiológico notavelmente heterogêneo entre as pessoas e significativamente impulsionado pelo microbioma intestinal.

O uso de sensores contínuos de glicemia mostrou que os picos de glicemia pós-prandiais geralmente ocorrem, mesmo em pessoas saudáveis sem diabetes. Ainda não se sabe se os picos de glicose indicam um risco maior de desenvolver diabetes, mas existem dados sugerindo essa possibilidade. No entanto, o uso da IA pode influenciar uma dieta individualizada, tornando-se um precedente para o treinamento médico virtual no futuro. Interferências na dieta e microbioma para pacientes portadores de outras doenças crônicas também é possível.

 

A utilização e desenvolvimento de algoritmos de IA tem sido descrito em muitos outros contextos clínicos, como facilitar diagnósticos de acidente vascular cerebral (AVC), portador do transtorno autista ou eletroencefalográficos para neurologistas, ajudar anestesiologistas a reduzir complicações no intraoperatório, como a descoberta de novos antibióticos (caso da halicina para microorganismos multirresistentes), como a encontrar ensaios clínicos adequados para oncologistas, a seleção de embriões viáveis para fertilização in vitro, ajuda no diagnóstico de uma condição congênita por meio do reconhecimento facial e da cirurgia preventiva para pacientes com câncer de mama.

Há um esforço considerável em muitas startups e empresas de tecnologia estabelecidas para desenvolver o processamento de linguagem natural para substituir a necessidade de teclados. Empresas como Apple (dispositivo para detecção de fibrilação atrial), IDx (diagnóstico de retinopatia diabética), Icometrix (interpretação de imagens cerebrais), Viz.ai (diagnóstico de AVC), iCAD (densidade mamária na mamografia), Aidoc (diagnóstico de sangramento cerebral), Alivecor (detecção de fibrilação atrial via Apple Watch), Arterys (Diagnóstico de câncer por imagem) e muitos outros possuem dispositivos liberados pela FDA.

No campo dos sistemas de saúde a eficiência entra em cheque a partir do momento que a IA desponta. Risco de readmissão hospitalar, tempo de estadia, risco de queda e escaras, cuidados paliativos, ajustes de ventilação mecânica personalizados, risco de aparecer novas patologias intra-hospitalares como sepse ou infarto, risco de desenvolvimento de doenças após alta hospitalar, dose adequada de fluidos, critérios de alta segura, monitoramento da lavagem de mãos dos profissionais de saúde, desempenho do cirurgião e diversos outros parâmetros ou scores serão fortemente impactados pela IA.

Alguns aplicativos de smartphone estão usando IA para monitorar a adesão médica, como o AiCure, que faz com que o paciente faça um vídeo selfie enquanto engole a pílula prescrita. No que pode ser visto como uma consequência de aplicativos de namoro que usam a análise de IA do vizinho mais próximo para encontrar correspondências, agora há esforços para usar a mesma metodologia para pacientes que combinam casais com médicos da atenção básica para gerar níveis mais altos de confiança.

Metodologias e análises estatísticas rigorosas são necessárias para validação desses parâmetros e scores em ambientes clínicos do mundo real. Essas melhorias, quando amplamente implementadas, promoverão segurança, conveniência e menor custo.

É possível estimar que, por dia, a IA represente uma economia impressionante de bilhões de dólares no processamento de imagens. Além dos ganhos de produtividade e otimização do fluxo do trabalho que podem ser derivados da interpretação de imagem assistida por IA e do suporte do clínico, há potencial para reduzir a força de trabalho para muitos tipos de back-office, tarefas administrativas como codificação e cobrança, agendamento de salas de cirurgia e consultas clínicas e pessoal.

A análise de dados ainda se mostra um desafio na medicina e IA. As múltiplas fontes e a forma que elas são dispostas. Um número, dependendo da forma que é colocada, vira um texto. A inserção da análise de rede neural profunda em dispositivos médico-dependentes, como ultrassom, ainda terá muito a evoluir antes de mostrar resultados mais eficientes e próximos do mundo real. Questões éticas a respeito de mapeamento e melhoramento genético também são assuntos recorrentes que geram discussões mais acalouradas.

Casos como o do algoritmo de IA de câncer do IBM Watson Health (conhecido como Watson for Oncology) acabou por exceder o estado da ciência de IA, baseado em um pequeno número de casos sintéticos, não-reais, com dados muito limitados (dados reais) de oncologistas. Muitas recomendações reais de tratamento foram errôneas, como sugerir o uso de bevacizumabe em um paciente com hemorragia grave (contraindicação absoluta). Este case ainda destaca o potencial danoso aos pacientes e, portanto, de negligência médica, por um algoritmo falho. Em vez de o erro de um único médico ferir um paciente, o potencial de um algoritmo de máquina que induz risco iatrogênico é vasto.

Esse é mais um motivo pelo qual a depuração sistemática, auditoria, simulação e validação extensivas, juntamente com o exame prospectivo, são necessárias quando um algoritmo de IA é desencadeado na prática clínica. Ele também destaca a necessidade de exigir mais evidências e validação robusta para exceder a recente desatualização dos requisitos regulamentares da FDA para aprovação de algoritmos médicos.

Outro desafio a ser levado em conta é a privacidade e segurança dos dados, vide problemas corriqueiros de invasão de hackers/crackers e violações de dados, algumas vezes com intuito de prejudicar as pessoas em larga escala, como sobredose de insulina em diabéticos, alteração de doses de sedativos ou drogas vasoativas numa cirurgia ou UTI, ou estímulo de desfibriladores a disparar dentro do peito de pacientes com doença cardíaca.

Algoritmos de reconhecimento facial cada vez mais comum, como é o caso do seu uso no Carnaval de Salvador em 2019, reduz ainda mais a proteção da privacidade. Portanto, novos modelos e soluções para proteção de dados de saúde com direitos para o indivíduo, uso de plataformas de dados altamente seguras e legislação governamental, como foi alcançado na Estônia, são necessários para combater os problemas de segurança.

O momento em que vivemos da IA na saúde é de colaboração e validação dos algoritmos. Como estamos ainda no segundo zero, o ponto de inflexão para a exponencialidade do uso clínico ainda chegará, tornando um campo relativamente baixo em dados e provas fértil para entrada de new adopters.

O risco de algoritmos defeituosos é exponencialmente maior do que o de uma única interação médico-paciente, mas a recompensa por reduzir erros, ineficiências e custos é substancial. Para isso, é exigido estudos rigorosos, publicação dos resultados em revistas revisadas por pares e validação clínica em um ambiente do mundo real, antes da implementação e implementação no atendimento ao paciente.

A IA não tem como assumir a autonomia médica. O formato do trabalho médico e sua interação com os pacientes se modificarão, acrescentando um novo elemento da IA nessa relação, fazendo que a função de supervisionar a interpretação algorítmica de imagens e dados seja atribuído ao médico. A saúde humana é preciosa demais e relegá-la às máquinas, exceto para assuntos rotineiros com risco mínimo, parece especialmente forçado. Ficaremos mais rápidos e precoces, novas doenças e epidemias surgirão, mas estaremos mais eficazes e precisos, mais ágeis e menos custosos na resposta. Já existe uma sugestão de que a simbiose do trabalho conjunto entre o médico e a IA traz resultados mais animadores, facilitando nosso processo evolutivo e dando margem ao homo hybridus.

 

Esse texto tem opiniões de diversos textos, livros e entrevistas de Eric Topol, médico cardiologista futurista.

 


Leia também:

 


Quer escrever?

Publique seu artigo na Academia Médica e faça parte de uma comunidade crescente de mais de 150 mil médicos, acadêmicos, pesquisadores e profissionais da saúde. Clique no botão "NOVO POST" no alto da página!

Health Innovation League

Academia Médica
Kamila Liberali
Kamila Liberali Seguir

Médica, com uma pitada de tecnologia.

Ler matéria completa
Indicados para você