faz parte da divisão da Informa PLC

Este site é operado por uma empresa ou empresas de propriedade da Informa PLC e todos os direitos autorais residem com eles. A sede da Informa PLC é 5 Howick Place, Londres SW1P 1WG. Registrado na Inglaterra e no País de Gales. Número 8860726.

A Inteligência Artificial e seus avanços na Medicina

shutterstock_1085544932

Neste ano, pesquisadores de todo o mundo se mobilizaram no combate à COVID-19. Várias linhas de pesquisa foram criadas e praticamente todas se apoiaram no uso de inteligência artificial em alguma etapa do processo, ou mesmo de ponta a ponta.

A busca por medicamentos eficazes para o tratamento de pacientes foi rapidamente realizada por meio de simulações com milhares de medicamentos utilizando ensaios de laboratório baseados em inteligência artificial.

Foi possível saber em poucos meses a potencial acurácia de vários medicamentos, que depois puderam ser confirmadas ou descartadas em testes reais. Isto acelerou a busca por tratamentos, reduziu custos e salvou muitas vidas. Hoje, as taxas de mortalidade são menores, em parte em razão destas descobertas.

Outro exemplo é mais recente, o Departamento de Engenharia do MIT captou os áudios de tosse de 70.000 voluntários, 2.500 destes com diagnóstico de COVID-19. A frequência captada é inaudível para o ouvido humano. Foi utilizada uma técnica da Inteligência Artificial chamada Machine Learning (aprendizado de máquina), que é capaz de aprender o que seriam padrões de áudio de tosse de pacientes com COVID-19 a partir do banco de áudios disponível e então produzir um algoritmo/modelo de identificação para o apoio ao diagnóstico. Após o treinamento do modelo, foram realizados centenas de diagnósticos utilizando o áudio da tosse do paciente, com uma taxa de acerto de 98,5%. Agora será possível contar com testes rápidos de COVID-19 no smartphone, sem a necessidade de coletar material biológico, uma revolução.

A mesma técnica de aprendizado máquina tem sido utilizada para analisar exames de imagem para auxiliar no apoio ao diagnóstico em todo o mundo, produzindo-se modelos de diagnóstico para o câncer, por exemplo. Neste caso, a acurácia tem se demonstrado mais tímida, uma vez que as imagens são mais difíceis para analisar, do que áudios ou dados textuais e numéricos, demandando mais pesquisa e desenvolvimento nos próximos anos.

As previsões baseadas em dados textuais e numéricos são realmente animadoras. O Korean National Health Insurance Service compilou dados não identificados em idosos acima de 65 anos (N = 40.736) contendo 4.894 características clínicas exclusivas, incluindo códigos CID-10, códigos de medicamentos, valores laboratoriais, história de doença pessoal e familiar e dados sociodemográficos entre 2002 e 2010. Após o treinamento dos modelos, foi alcançada uma acurária de 71,3% na predição de futuros incidentes de Alzheimer (DA), ainda em estágio pré-clínico. Mas, o mais interessante foi a descoberta de novos marcadores de apoio ao diagnóstico, como a relação na diminuição no nível de hemoglobina, que foi selecionada como a característica mais fortemente associada ao incidente de DA. Também foi descoberta a associação positiva entre nível de proteína na urina com incidentes de DA.

Todos estes exemplos demonstram o grande potencial do uso de inteligência artificial como ferramenta de apoio à pesquisa, diagnóstico e progresso da medicina, mas em todos eles a aliança com dados se fez presente. A matéria-prima da Inteligência Artificial é o dado e quanto maior a qualidade, padronização e o volume de dados disponíveis, maior será a acurácia. É importante que haja uma plataforma de dados capaz de captá-los no momento que eles se tornam disponíveis. A plataforma de dados deve contar com fluxos de tratamento da qualidade, transformação e do enriquecimento destes dados para entregá-los para análise da melhor forma possível. A plataforma deve permitir o armazenamento destes dados em grandes volumes, mantendo o desempenho e a segurança deles, visto que muitos são sensíveis. Deve-se permitir associar estes dados coletados e armazenados a qualquer tipo algoritmo de inteligência artificial de forma prática, sem necessidade de ter de exportar os dados residentes no repositório. Por último, deve-se contar com formas avançadas de analisar estes dados visualmente, de minerar padrões não evidentes e de correlacionar achados. Abaixo uma ilustração de arquitetura para isto.

O uso do padrão FIHR nos contextos das pesquisas amplia a capacidade de coletar dados com qualidade, de promover a rápida formação de redes de pesquisa e de compartilhar de forma segura e prática os resultados parciais e finais.

Além desta arquitetura, também há todo um conjunto de algoritmos capazes de criar predições, classificações e segmentações, exigindo no modelo tradicional de ciência de dados, tempo de análise e observação para treinar e encontrar os melhores resultados e modelos cognitivos. Segue um conjunto de possibilidades de algoritmos, sob a visão da Microsoft, por exemplo.

Outros fabricantes ampliam ainda mais estas listas de algoritmos, criando um enorme desafio de para onde ir. Neste sentido, o mercado de Ciência de Dados se reinventou criou o paradigma de AutoML, que a capacidade de dado o contexto dos dados, o alvo da pesquisa e o objetivo, aplicar um algoritmo (AutoML) que aponte o melhor algoritmo final para as necessidades da pesquisa. Esta tecnologia irá executar dezenas de opções de algoritmos de mercado até encontrar a mais adequada, com melhor acurácia, reduzindo muito o tempo de projeto.

Assim, a melhor forma de utilizar Inteligência Artificial nos projetos é contar com uma plataforma de dados com os requisitos a seguir:

  • Capacidade de captar dados por meio de um barramento de dados aderente aos padrões de mercado – HL7 e FIHR;
  • Capacidade de estabelecer fluxos de enriquecimento, transformação e tratamento dos dados captados;
  • Capacidade de armazenar grandes volumes de dados operacionais e analíticos com desempenho e segurança;
  • Capacidade de executar inteligência artificial dentro do repositório de dados operacionais e analíticos;
  • Capacidade de executar algoritmos de aprendizado de máquina abertos, especialmente em Python e R, as duas principais linguagens de IA atualmente;
  • Capacidade de oferecer análises textuais e de dados em painéis, gráficos, relatórios;
  • Capacidade de realizar análises semânticas com NLP – Processamento de linguagem natural;
  • Capacidade de compartilhar dados da pesquisa de forma segura e padronizada em FIHR.

A certeza de auferir sucesso em iniciativas de IA depende então de delimitar bem o escopo da pesquisa, escolher a plataforma correta e de selecionar o melhor modelo analítico. Desta forma, se obtém todo o benefício que a IA pode trazer para a medicina.

Hoje a melhor plataforma para alcançar estes resultados é a plataforma InterSystems, o InterSystems IRIS for Health, para atuar como barramento, repositório, motor de IA e ambiente de análise, ou InterSystems Healthshare para criar o conceito de instituições conectadas em rede, baseadas em FIHR.

Referências:

https://www.nexojornal.com.br/expresso/2020/11/03/A-intelig%C3%AAncia-artificial-que-detecta-a-covid-19-pelo-som-da-tosse

https://www.nature.com/articles/s41746-020-0256-0

https://www.intersystems.com/br/resources/detail/facilitando-o-machine-learning-intersystems-integratedml/

https://www.intersystems.com/br/produtos/intersystems-iris-for-health/

https://www.intersystems.com/br/produtos/healthshare-2/

Escrito por:

Dr. Raimundo NONATO B. Cardoso , Healthcare Business Development Director InterSystems 

Yuri Marx  , consultor em Tecnologia InterSystems