IA na saúde: da doença à sociedade

A Inteligência Artificial tem, sem dúvida, impacto em todas as indústrias e aspetos do nosso quotidiano. Um dos tópicos mais relevantes é a aplicação de IA na saúde, embora ainda maioritariamente em cenários de validação retrospetiva (in silico) e não em ensaios clínicos aleatorizados de grande escala. Enquanto trabalhamos no sentido de alcançar uma Inteligência Artificial Geral (ou pelo menos tão geral quanto um campo de conhecimento completo), a forma como temos pensado sobre IA na saúde é abordando tarefas muito específicas, uma de cada vez. Entretanto, isto é suficiente para causar um impacto significativo na área enquanto descobrimos como aprender representações mais holísticas (quer profundas quer engineered) do corpo humano.

Como mencionado por Eric Topol no seu livro "Deep Medicine" [1], a IA tem o potencial de tornar a medicina novamente humana, de capacitar os médicos através de ferramentas melhores de agregação de informação, técnicas mais robustas de detecção de padrões e melhores formas de registar informação das consultas para que possam concentrar-se no seu objetivo real: cuidar dos pacientes. Para atingir este objetivo final, é necessário evoluir da nossa abordagem muito restrita de pensar sobre pacientes ao nível do exame (por exemplo, prever se um paciente tem cancro a partir de uma única imagem) para uma abordagem mais ampla, uma abordagem ao nível do paciente que se baseia em todo o espetro de dados que dispomos sobre cada pessoa. Simultaneamente, é necessário evoluir de conclusões baseadas em populações para medicina personalizada, onde uma pessoa deixa de estar dentro dos limites normais mas em padrões de risco personalizados.

Três níveis de granularidade

Enquanto o nosso foco principal atualmente está em aplicações ao nível do paciente, ou como prefiro dizer, ao nível da doença, existe um amplo leque de aplicações ainda pouco explorado que poderíamos estar a abordar em IA noutros níveis da saúde. Nomeadamente, existe um potencial equivalente (se não superior) de otimização ao nível hospitalar (ou seja, unidade de saúde) e ao nível governamental (ou seja, definição de políticas e investigação). Portanto, enquanto abordar questões como doenças cardiovasculares prevenirá a morte de 18 milhões de pacientes por ano em todo o mundo [2], melhorar a gestão hospitalar teria impacto direto nos 3,5 mil milhões de pessoas que têm acesso a cuidados de saúde [3], e abordar desafios de definição de políticas globais terá potencialmente impacto em toda a população mundial.

Como pode estar a pensar, abordar questões ao nível do exame é muito mais acionável de uma perspetiva individual/empresarial. Isto pode ser facilmente corroborado ao inspecionar o programa das principais conferências de Machine Learning em Medicina (ISBI, MICCAI, EMBC, MIDL) cujas sessões e artigos são maioritariamente nesta direção. Porquê? É mais fácil medir o impacto, passar de decisões para ações, obter dados padronizados, chegar a algo utilizável. É mais fácil e tem impacto superior no curto prazo. Ponto final.

Portanto, é esperado que a maioria das iniciativas se concentre neste nível aplicacional. Contudo, é essencial manter a visão de conjunto e continuar a questionar-nos sobre o que podemos fazer nos níveis inferiores da pirâmide. Enquanto cobriremos cada um destes níveis em detalhe em futuros artigos neste blog, queríamos fazer um breve resumo das amplas oportunidades em cada um deles.

Pacientes

A IA aplicada a pacientes monopolizou a atenção da investigação na última década. Embora sendo apenas a ponta do iceberg, é uma ponta com impacto significativo nas nossas vidas diárias. IA combinada com dispositivos móveis e telemedicina pode promover acesso equitativo a diagnósticos de alta qualidade independentemente da localização geográfica do paciente.

A maioria dos casos de uso nesta área concentra-se na triagem/rastreio/diagnóstico de doenças específicas e modalidades de medição. As áreas com sucesso comprovado são aquelas onde o processo de decisão envolve reconhecimento de padrões visuais (por exemplo, dermatoscopia, radiologia, entre outros). Nesta direção, temos vindo a trabalhar com proximidade com MobileODT para combater o cancro do colo do útero — uma causa de morte importante e prevenível entre as mulheres — utilizando dispositivos móveis e Deep Learning. No panorama nacional e português, existem múltiplas referências de empresas orientadas por IA para problemas específicos de saúde e bem-estar: Adapttech, CardioID, SWORD Health e iLOF.

À medida que avançamos para um cenário de aquisição de dados mais descentralizado com dispositivos de baixo custo, surgem casos de uso tangenciais para garantir qualidade de serviço equivalente. Por exemplo, metodologias para validar automaticamente a conformidade do protocolo de aquisição (especialmente relevante com pessoal sem formação), medir a qualidade dos dados e interagir com o utilizador para o ajudar a melhorar o procedimento. Em paralelo, à medida que avançamos de conjuntos de dados pequenos para fluxos de dados massivos, necessitamos de ferramentas para sintetizar os dados mais relevantes, dentro e entre pacientes. Aqui, podemos observar por exemplo os esforços em sintetização de dados para vídeo-cápsula endoscópica que regista horas de dados por paciente.

Finalmente, com o surgimento de tratamentos e procedimentos melhores para combater cada doença, a adesão do paciente ao protocolo é fundamental. Portanto, prever quais pacientes não vão seguir o tratamento e que ações podemos tomar para melhorar a sua adesão é algo em que devemos concentrar esforços em IA. Veja o caso de Keheala sobre como podemos impactar a adesão ao tratamento.

Curso

The Machine Learning Spectrum

Quer obter informações sobre como construímos estes modelos?

Saber Mais

Hospitais

Estima-se que 20% dos custos de saúde estejam relacionados com tarefas administrativas [1]. Estas tarefas envolvem, entre outras coisas, encontrar os códigos de facturação corretos para reembolso de seguros, uma tarefa que poderia ser parcialmente automatizada utilizando RecSys para filtrar os códigos mais relevantes (em breve publicaremos um artigo neste blog cobrindo especificamente este tópico, fique atento!).

A gestão de recursos é uma fonte inesgotável de casos de uso para IA. Aqui, podemos ir desde prever a procura de suprimentos até otimizar a alocação de recursos. Sendo cada minuto numa sala de espera uma potencial ameaça em múltiplos cenários, eliminar cada potencial estrangulamento desde a entrada do hospital até à alta do paciente é obrigatório. Corresponder casos incertos ou difíceis a pessoal mais qualificado enquanto se garante uma diversidade pedagógica dos casos analisados por cada médico é também um problema de otimização relevante do ponto de vista da IA, onde existe um equilíbrio entre o cuidado do paciente individual no curto prazo e a formação profissional a longo prazo do pessoal.

Se queremos transformar a medicina, precisamos concentrar-nos em melhorar a experiência global, criando relações pessoais entre médicos e pacientes. Portanto, necessitamos de algoritmos para corresponder a equipa certa de profissionais (ou seja, médicos, enfermeiros, etc.) aos pacientes certos, evoluindo da simples disponibilidade para afinidade.

Sociedade/Governo

Tal como é o caso dos hospitais mas em escala maior, os governos necessitam de concentrar-se na alocação de recursos e previsão para corresponder as necessidades populacionais aos serviços de qualidade. Além disso, enquanto os hospitais tendem a concentrar-se em casos que chegam diariamente, os governos necessitam de ver a imagem completa, aprofundando-se no surgimento de epidemias ao otimizar para melhorar o sistema de saúde a longo prazo. Os governos podem usar IA para detetar excedentes ou stocks desadequados face à procura, otimizando proativamente a partilha de recursos entre os centros de um sistema nacional de saúde para se ajustarem a mudanças nas necessidades.

As exigências regulamentares e a definição de políticas são tipicamente orquestradas por organizações nacionais. Portanto, está no seu melhor interesse aproveitar a IA para explorar programas de rastreio melhores, alocação de recursos, verificação de conformidade de dispositivos e instalações, entre outros. Acelerar estes processos sem comprometer a qualidade permitirá aos seus cidadãos obter acesso rápido às descobertas mais recentes no campo.

Fluxo de informação

À medida que a IA se torna omnipresente em múltiplos processos de decisão, o potencial para interação modelo-a-modelo aumenta. Assim, podemos esperar que as previsões de IA permitam outros fluxos de trabalho de decisão em qualquer direção da pirâmide: de cima para baixo, de baixo para cima e lateralmente.

• De cima para baixo: aproveitar previsões geradas nos níveis superiores para alimentar os inferiores. Por exemplo, como podemos agregar previsões ao nível do paciente para otimizar a alocação de recursos hospitalares? Como podemos agregar informação de hospitais para prever epidemias globais?
• De baixo para cima: considerar disponibilidade de recursos e previsão de procura ao nível hospitalar para otimizar decisões de tratamento ao nível individual.
• Lateralmente: pedir emprestado previsões de outros exames e doenças ao nível do paciente permite uma visão mais holística do paciente (ou seja, passando de doenças para indivíduos). Similarmente, ao nível médio da pirâmide, transferir previsões de pacientes/tratamento para apoiar a manufatura de produtos médicos.

Empresas em cada nível da pirâmide podem monetizar o fluxo de previsões para outros níveis e outros casos de uso, desde que a privacidade seja preservada.

Riscos potenciais

O primeiro desafio é a qualidade dos dados e o próprio processo de recolha. Os Registos Eletrónicos de Saúde (EHR) foram projetados para otimizar facturação (escrever códigos) em vez de ter a visão completa do paciente. Se não acredita, pense na sua última consulta, respondendo às mesmas questões que respondeu consulta após consulta. Portanto, qualquer sistema que pretenda compreender pacientes de forma holística necessitará de repensar o canal para adquirir dados relevantes e implementar IA. EHR como os conhecemos não são suficientes.

Definir a métrica ideal para medir a performance de aplicações de IA ao nível individual é relativamente fácil, pelo menos num nível estreito de doença (ou seja, sensibilidade, precisão, valor preditivo positivo) ignorando, claro, indicadores menos tangíveis mas igualmente importantes (por exemplo, qualidade de vida, estado emocional). Por outro lado, definir a métrica correta nos níveis inferiores da pirâmide é facilmente propenso a debate, otimizar eficiência pode comprometer indivíduos. Precisamos de compreender e unir esforços como sociedade para definir quais são os nossos Indicadores-Chave de Performance em saúde e como quantificá-los.

À medida que a otimização orientada por IA se torna ubíqua, quanto espaço deixamos aos pacientes para escolher o tratamento que desejam, os efeitos secundários com que estão dispostos a lidar diariamente? Onde colocamos o limiar na liberdade em questões de relevância pública (por exemplo, vacinação e epidemias)? Estas são algumas das questões que precisamos de fazer e responder tanto como indivíduos quanto como sociedade.

Curso, Templates

Data Ignite

Mitigue riscos nas suas soluções de IA dominando a nossa metodologia de IA.

Saber Mais

Algumas notas sobre o futuro

A IA está a mudar o mundo mais rapidamente do que foi observado antes. Isto torna falar sobre o futuro algo como um tiro ao escuro (ou com condições de iluminação muito pobres!). Contudo, temos algumas intuições sobre questões fundamentais que acontecerão/deverão acontecer no futuro próximo:

• A explicabilidade jogará um papel fundamental em saúde. Não necessariamente como consequência de restrições regulamentares ou para criar confiança homem-máquina, mas porque precisamos de evoluir de diagnóstico para sugestão de tratamento. Não é suficiente dizer saudável/doente. Precisamos de ferramentas que ajudem médicos a tornarem-se melhores no seu trabalho, a terem feedback mútuo entre humanos e máquinas sobre o porquê de discordarem.
• Evoluir de correlações para raciocínio causal será necessário se queremos evoluir do loop atual de mascarar um sintoma com um medicamento que causa outros sintomas, numa cadeia ilimitada de adicionar medicamentos ao cocktail diário do paciente.
• As nossas ferramentas evoluirão no trade-off estreito-global. De doença/exame estreito (deep learning agora!) para nível do paciente e de nível populacional amplo (prática médica agora!) para medicina personalizada.

Quer discutir mais esta ideia?

Marque uma reunião com Kelwin Fernandes

Conheça Kelwin Saber Mais

Referências

1. Topol, Eric. Deep medicine: how artificial intelligence can make healthcare human again. Hachette UK, 2019.
2. WHO. Cardiovascular Diseases. Consultado em https://www.who.int/health-topics/cardiovascular-diseases
3. WHO (2017, December 13). World Bank and WHO: Half the world lacks access to essential health services, 100 million still pushed into extreme poverty because of health expenses. Consultado em https://www.who.int/health-topics/cardiovascular-diseases