Modelos de Previsão Baseados em IA Prontos para Avançar a Saúde em Saltos Gigantes

O objetivo da IA é permitir que máquinas imitem pensamentos e comportamentos humanos, englobando aprendizado, raciocínio e previsão. No cerne desse esforço está a modelagem baseada em IA, que serve como base para criar sistemas automatizados e inteligentes.

Para construir esses modelos, utiliza-se uma variedade de técnicas, que são essenciais para criar sistemas inteligentes aplicáveis em diversos setores do mundo real, incluindo finanças, saúde, agricultura, cibersegurança e mais.

O desenvolvimento desses modelos frequentemente emprega diferentes tipos de análise — descritiva, diagnóstica, preditiva e prescritiva — com base na natureza do problema e nos requisitos de sua solução.

Hoje, nosso foco está na análise preditiva, que explora dados para prever o que acontecerá no futuro. Ao utilizar enormes quantidades de dados, o modelo interpreta padrões reconhecíveis, o que facilita previsões precisas e ajuda a tomar decisões informadas. 

Clique aqui para aprender tudo sobre investir em inteligência artificial.

A Capacidade Inigualável da IA de Reconhecer Tendências

A IA tem essa capacidade inigualável de reconhecer tendências dentro de um conjunto de variáveis. Isso ocorre porque, ao contrário dos humanos, a tecnologia pode processar rapidamente enormes quantidades de dados, identificar padrões e tendências e compreender o que tudo isso significa. 

É por meio de algoritmos de aprendizado de máquina que um modelo de IA realiza seu trabalho, que consiste em prever o resultado com base nos dados fornecidos.

Ao analisar uma tendência, geralmente são usadas redes neurais inspiradas no funcionamento do cérebro humano devido à sua capacidade de aprender e se adaptar. Outros algoritmos de aprendizado de máquina fundamentais para a análise de tendências são as Máquinas de Vetores de Suporte (SVM), que categorizam os dados em classes distintas, e as Florestas Aleatórias, que agregam múltiplas árvores de decisão para modelos preditivos poderosos. A rede Bayesiana é outra que utiliza modelos gráficos probabilísticos para representar as dependências estatísticas entre um conjunto de variáveis. 

Na área da saúde, aproveitar esses algoritmos de aprendizado de máquina para construir modelos de previsão baseados em IA permite cuidados e planos de tratamento mais personalizados e adequados.

Para isso, a IA filtra diversos dados de saúde para apresentar tendências emergentes na progressão de doenças. Isso permite que os profissionais médicos abordem proativamente questões de saúde e adaptem estratégias de tratamento, remodelando o cuidado ao paciente.

O Potencial da Capacidade da IA de Detectar Padrões na Saúde

Agora, vamos observar o uso real da capacidade da tecnologia de reconhecer tendências dentro de um conjunto de variáveis.

Ferramenta de Vigilância de IA para Detectar Sepse Antes do Início dos Sintomas

Em um estudo recente, estudo, os pesquisadores descobriram que podem prever com sucesso a infecção por sepse em pacientes de alto risco e salvar vidas ao utilizar um novo algoritmo de IA. 

A sepse é uma das principais causas de mortalidade e morbidade em todo o mundo. Nessa condição, o sistema imunológico do corpo reage de forma exagerada a uma infecção, causando danos aos próprios tecidos e órgãos.

Nos EUA, a cada ano, pelo menos 1,7 milhão de adultos desenvolvem sepse, e cerca de 350.000 morrem dessa infecção sanguínea potencialmente fatal. Enquanto isso, estima‑se que 48,9 milhões de pessoas sejam afetadas a cada ano em todo o mundo, das quais aproximadamente 11 milhões morrem.

No entanto, pesquisadores da Escola de Medicina da Universidade da Califórnia em San Diego estão prontos para mudar esses números ao aproveitar a IA.

De acordo com o estudo publicado na edição online da Digital Medicine, os pesquisadores desenvolveram um algoritmo de IA chamado COMPOSER. Ele utiliza dados em tempo real para avisar antecipadamente se o paciente tem a condição antes que seus sinais clínicos se manifestem, trabalhando “silenciosamente e com segurança nos bastidores”. 

O modelo monitora continuamente cada paciente em busca de quaisquer sinais de sepse, observou o coautor do estudo Gabriel Wardi, MD, chefe da Divisão de Cuidados Críticos no Departamento de Medicina de Emergência da UC San Diego (UCSD).

O reconhecimento precoce da sepse é crítico, pois as intervenções têm maiores benefícios quando implementadas mais cedo no curso da doença.

O modelo foi usado nos departamentos de emergência da UC San Diego Health, o único sistema médico acadêmico da região, para identificar pacientes em risco de infecção por sepse e reduziu a mortalidade em 17%. 

O funcionamento é que, após o paciente fazer o check‑in no pronto‑socorro, o COMPOSER começa a monitorar mais de 150 diferentes variáveis do paciente que podem estar relacionadas à sepse. Essas variáveis incluem dados demográficos, histórico médico, sinais vitais e resultados de exames laboratoriais. 

Se um paciente apresentar múltiplas variáveis, resultando em alto risco de infecção por sepse, o algoritmo notifica a equipe de enfermagem por meio do prontuário eletrônico do hospital. A equipe então revisa com o médico para confirmação e para determinar os planos de tratamento adequados para o paciente. 

“Esses algoritmos avançados de IA podem detectar padrões que não são inicialmente óbvios ao olho humano.” 

– Shamim Nemati, Ph.D., coautor do estudo & diretor de análise preditiva e professor associado de informática biomédica na Escola de Medicina da UC San Diego

Ele também acrescentou:

“O sistema pode analisar esses fatores de risco e gerar uma previsão altamente precisa de sepse.”

O estudo, financiado pelos National Institutes of Health, pela National Library of Medicine e pelo Joan and Irwin Jacobs Center for Health Innovation na UC San Diego Health, analisou mais de 6.200 admissões de pacientes antes e depois da implantação do algoritmo de IA nos departamentos de emergência do hospital. 

É o primeiro estudo que utilizou um modelo de aprendizado profundo de IA e relatou melhorias nos resultados dos pacientes. O modelo usa redes neurais artificiais para identificar de forma precisa e segura fatores de risco complexos e múltiplos nos pacientes. Wardi disse:

“É graças a esse modelo de IA que nossas equipes podem fornecer terapia que salva vidas aos pacientes mais rapidamente.” 

O COMPOSER foi ativado pela primeira vez há mais de um ano, em dezembro de 2022. Atualmente, está sendo utilizado em muitas unidades hospitalares de internação em toda a UC San Diego Health e, no futuro, o Campus Leste da UC San Diego Health também começará a usá‑lo.

Recentemente, o Health Care Center anunciou seu primeiro diretor de IA em saúde. Também lançou um piloto onde os sistemas de prontuário eletrônico baseados em nuvem Epic e ChatGPT criam automaticamente respostas de mensagens mais compassivas, permitindo que médicos e cuidadores se concentrem no cuidado ao paciente. 

“A integração da tecnologia de IA no prontuário eletrônico está ajudando a cumprir a promessa da saúde digital.” 

– Christopher Longhurst, coautor do estudo & diretor executivo do Jacobs Center for Health Innovation e diretor médico e diretor digital da UC San Diego Health

Software para Analisar Dados Genômicos e Prever Doenças com Precisão

Outro exemplo de modelos de previsão baseados em IA que ajudam o setor de saúde pode ser visto em um estudo publicado na semana passada. Criado na Rutgers Health, o software pioneiro chamado IntelliGenes combina IA e aprendizado de máquina para ajudar a prever doenças em indivíduos. O modelo examina dados genômicos para encontrar biomarcadores relacionados à saúde, a fim de produzir previsões personalizadas para pacientes, bem como uma representação visual delas.

Dados multigenômicos informam sobre a composição genética inerente de um paciente e têm o potencial de descobrir novos biomarcadores com base no risco de doença. O estudo observou:

“Acreditamos que o uso sinérgico de múltiplos algoritmos de IA fornece resultados mais precisos, gera conclusões perspicazes e previsões exatas sobre problemas do mundo real, em comparação com um único algoritmo de IA isolado.”

Além disso, constatou que a Máquina de Vetores de Suporte (SVM) e a Floresta Aleatória (RF) são os algoritmos de aprendizado de máquina mais bem‑sucedidos usados para fazer previsões com alta precisão e resolver problemas de regressão e classificação. 

Atualmente, não há ferramentas de IA disponíveis para investigar e interpretar o genoma humano completo, particularmente para indivíduos que não são especialistas na área. Assim, os pesquisadores desenvolveram o IntelliGenes, que pode ser usado por qualquer pessoa, inclusive aqueles que não possuem muito conhecimento de técnicas de bioinformática ou acesso a computadores de alto desempenho. 

Usando uma combinação de algoritmos de aprendizado de máquina, os pesquisadores da Rutgers Health buscam descobrir informações que normalmente passam despercebidas pelas estatísticas clássicas e técnicas tradicionais de bioinformática.

Os pesquisadores então aplicaram o IntelliGenes em outro estudo para descobrir novos biomarcadores e prever doenças cardiovasculares (DCVs) com alta precisão.

O uso adequado de metodologias de IA e ML, conforme o estudo, pode nos proporcionar novas percepções e compreensões das doenças cardiovasculares. Isso, por sua vez, permitirá tratamentos personalizados melhores. 

O estudo começou com um pré‑processamento vigoroso dos dados de expressão gênica e então utilizou três testes estatísticos para avaliar as diferenças na expressão transcriptômica (estudo do conjunto completo de RNA) e a diferença entre as características clínicas de pacientes com DCV e de indivíduos saudáveis. 

Em sua pesquisa, a equipe descobriu 18 biomarcadores transcriptômicos altamente significativos na população com DCV. Eles foram então usados para prever a doença com até 96% de precisão. Esses resultados também foram validados cruzadamente com registros clínicos coletados de pacientes da coorte. 

“Existe um enorme potencial na convergência de conjuntos de dados e nos impressionantes desenvolvimentos em inteligência artificial e aprendizado de máquina.” 

– Zeeshan Ahmed, autor principal do estudo. Ahmed é membro do corpo docente do Rutgers Institute for Health, Health Care Policy and Aging Research (IFH) e professor assistente de medicina na Robert Wood Johnson Medical School

Segundo ele, o modelo não apenas apoia a detecção precoce personalizada de doenças comuns e raras em indivíduos, mas também abre portas para pesquisas mais amplas que, em última análise, levarão a intervenções e tratamentos inovadores.

A IA Ainda Não é uma Solução Perfeita!

Como vimos, os modelos baseados em IA têm vantagens significativas no campo da saúde. Eles têm a capacidade de detectar doenças bem antes, com alta precisão, e proteger muitas vidas. No entanto, não são a solução definitiva, ainda não, pelo menos. Isso pode ser observado em um estudo publicado no início deste mês que mostrou que, quando a IA é aplicada no mundo real, ocorrem erros. 

Publicado no início deste mês na revista Modern Pathology, este estudo é o primeiro a examinar como a contaminação em tecidos influencia os modelos de aprendizado da IA.

Neste estudo, os pesquisadores treinaram três modelos de IA para analisar lâminas microscópicas de tecido placentário, com tarefas que incluíam identificar danos aos vasos sanguíneos, estimar a idade gestacional e classificar lesões macroscópicas. Além disso, um quarto modelo foi treinado para detectar câncer de próstata em amostras de tecido de biópsias por agulha.

Para testar sua robustez, os pesquisadores então expuseram cada modelo a pequenas porções de tecido contaminante — como sangue e tecido da bexiga — amostradas aleatoriamente de outras lâminas. Essa etapa visou imitar as condições do mundo real, onde contaminantes frequentemente estão presentes.

Ao avaliar o desempenho dos modelos de IA, descobriu‑se que todos os quatro modelos desviaram seu foco para os contaminantes do tecido, em vez de se concentrarem em suas tarefas principais. Essa distração resultou em imprecisões na determinação da idade gestacional, diagnóstico de câncer de próstata, identificação de lesões e avaliação de danos aos vasos sanguíneos. Isso ocorre porque as IAs encontram uma variedade de materiais no mundo real para os quais não foram treinadas, ao contrário dos ambientes simulados limpos nos quais são treinadas. 

“Nossas descobertas servem como lembrete de que uma IA que funciona incrivelmente bem no laboratório pode falhar no mundo real. Os pacientes devem continuar a esperar que um especialista humano seja o decisor final nos diagnósticos feitos em biópsias e outras amostras de tecido. Os patologistas temem — e as empresas de IA esperam — que os computadores estejam vindo tomar nossos empregos. Ainda não.”

– Coautor Dr. Jeffery Goldstein

Não apenas para a IA, mas também para patologistas que são extensivamente treinados para detectar o mesmo, a contaminação de tecidos é um problema bastante comum. No entanto, o estudo aponta que médicos e pesquisadores não patologistas frequentemente ficam surpresos ao saber disso. Observou‑se que, em um determinado dia, das 80 a 100 lâminas diárias analisadas por um patologista, 2‑3 são esperadas com contaminantes, que eles são treinados a desconsiderar.

De acordo com o estudo, os modelos de IA funcionam de maneira semelhante, muito parecido com a forma como os humanos examinam tecidos em lâminas. Ao examinar tecidos em lâminas, os humanos podem observar apenas um campo limitado dentro do microscópio e, em seguida, mover para um novo campo e combinar todas as informações coletadas para fazer um diagnóstico. 

No entanto, constatou‑se que a IA é facilmente enganada pelos contaminantes, pois precisa decidir a que prestar atenção e o que não prestar. “Isso é soma zero,” disse Goldstein, que é diretor de patologia perinatal e professor assistente de patologia perinatal e autópsia na intensiva em pesquisa Feinberg School of Medicine, Northwestern University, ao explicar:

“Se está prestando atenção aos contaminantes do tecido, então está prestando menos atenção ao tecido do paciente que está sendo examinado.” 

De acordo com os autores do estudo, os profissionais devem trabalhar na quantificação e melhoria do problema da incapacidade dos modelos de IA de codificar impurezas biológicas.

Entretanto, os resultados fizeram Goldstein “confiante de que avaliações de placenta por IA são viáveis”, chamando a destruição da IA de “obstáculo temporário”. Isso simplesmente significa: “Estamos no caminho para integrar melhor o uso de aprendizado de máquina na patologia,” acrescentou.

Empresas que podem se Beneficiar de Modelos de Previsão Baseados em IA

Com os modelos de IA mostrando grande promessa, vamos agora ver quais empresas podem se beneficiar mais deles:

1. Google DeepMind

É uma subsidiária da gigante tecnológica Google que tem como objetivo resolver a inteligência para “avançar a ciência e beneficiar a humanidade.” 

Mais recentemente, pesquisadores da Google DeepMind revelaram que criaram um assistente de IA para médicos chamado Articulate Medical Intelligence Explorer (AMIE) que pode ajudar a diagnosticar pacientes. Outro artigo da organização propôs o WARM para enfrentar o hacking de recompensas em LLMs.