24 de novembro de 2022 – Tempo de leitura: 6-8 minutos
Os departamentos de radiologia continuam enfrentando desafios em termos de aumentar o volume de pacientes e garantir a consistência na qualidade da imagem, ao mesmo tempo em que melhoram a eficiência operacional. Com a tomografia computadorizada (TC) sendo uma das modalidades de imagem mais utilizadas, os departamentos de radiologia têm muito a ganhar com soluções habilitadas para IA que ajudam a agilizar os fluxos de trabalho de TC e maximizar a qualidade da imagem.
Isso começa com a colocação de um paciente na posição certa para um exame. Na TC, o mau posicionamento do paciente é um desafio comum, que pode resultar em aumento da dose de radiação para o paciente ou ruído da imagem [1]. A tecnologia de câmera habilitada para IA pode detectar automaticamente pontos de referência anatômicos em um paciente para permitir um posicionamento rápido, preciso e consistente. Além disso, a reconstrução de imagem habilitada para IA pode ajudar a reduzir a dose de radiação e melhorar a qualidade da imagem da TC, apoiando assim a confiança diagnóstica.
A ressonância magnética (RM) é outra modalidade de imagem que desempenha um papel cada vez mais importante no diagnóstico de precisão de condições clínicas. O aumento na utilização da RM está aumentando a pressão para digitalizar eficientemente mais pacientes e encurtar o caminho da varredura inicial ao diagnóstico final. Ao mesmo tempo, os departamentos de RM estão procurando maneiras de melhorar a satisfação dos pacientes e dos médicos de indicação.
Usar a reconstrução de imagem baseada em IA, que pode acelerar os exames de RM para aumentar a produtividade do departamento e reduzir o custo por exame, ao mesmo tempo em que oferece suporte à confiança diagnóstica com imagens de alta resolução. Além disso, a tecnologia aumenta a acessibilidade à RM para pacientes estressados, ansiosos ou com dor. Como encurta os exames e fornece varreduras corretas na primeira vez, independentemente da condição do paciente, os pacientes passam menos tempo no equipamento, melhorando assim a sua experiência.
Na área da cardiologia, o ultrassom se tornou uma ferramenta indispensável para ajudar a visualizar e avaliar a função cardíaca de um paciente. De fato, agora é frequentemente a primeira modalidade de imagem usada para diagnosticar pacientes [2]. No entanto, o desafio com o ultrassom é que ele depende fortemente da pessoa que opera o sistema. Algumas medidas, que são necessárias para cada exame de ecocardiograma, podem ser demoradas e têm alta variabilidade inter e intrausuário.
Com a IA, podemos tirar um pouco desse trabalho manual e repetitivo, assim como em alguns dos outros exemplos de IA no atendimento médico nesta visão geral.Medições automáticas baseadas em IA podem fornecer quantificação por ecocardiograma rápida e reprodutível, melhorando a experiência do paciente e da equipe. Os profissionais de saúde podem aceitar ou modificar as medições com base em suas próprias avaliações clínicas, dando-lhes uma ferramenta poderosa para aprimorar seus conhecimentos, permanecendo no controle da tomada de decisões diagnósticas.
Da mesma forma, a IA pode apoiar a segmentação e quantificação de imagens em radiologia, permitindo que os radiologistas se concentrem na interpretação de alto nível das imagens. A IA também pode atuar como um segundo par de olhos, servindo como um complemento para a tomada de decisão do radiologista, apontando-os para áreas de interesse ou descobertas incidentais que podem ter sido negligenciadas.
Por exemplo, algoritmos de IA que vasculham imagens de RM do cérebro em busca de alterações neurológicas sutis ao longo do tempo demonstraram melhorar a precisão diagnóstica em pacientes com esclerose múltipla em 44%, reduzindo os tempos de leitura [3]. Da mesma forma, a detecção de nódulos pulmonares baseada em IA pode realizar a busca de nódulos 26% mais rapidamente, detectando 29% dos nódulos anteriormente perdidos em comparação à verificação manual [4]. Para radiologistas com pressão de tempo que precisam interpretar mais imagens do que nunca, esse suporte habilitado para IA pode fazer uma diferença significativa, além de beneficiar o paciente.
Além de analisar fontes únicas de dados, também há exemplos de IA no atendimento médico que mostram que ela pode ajudar a conectar dados de pacientes anteriormente desconectados e díspares, fornecendo novos insights que apoiam os profissionais de saúde em sua tomada de decisão.
No tratamento do câncer, por exemplo, a IA pode ajudar a integrar informações em diferentes domínios clínicos, como radiologia, patologia, sistemas de EHR e genômica, fornecendo uma visão clara e intuitiva do estado da doença do paciente. Isso pode ajudar os conselhos multidisciplinares de tumores a tomar decisões de tratamento oportunas e informadas, para dar a cada paciente a melhor chance de um resultado positivo do tratamento.
No futuro, a integração inteligente de dados poderia fornecer mais informações sobre o prognóstico de um paciente, apoiando a seleção do melhor atendimento para esse paciente em particular com base em uma análise dos resultados do tratamento para pacientes semelhantes.
Os médicos intervencionistas, que realizam procedimentos minimamente invasivos em pacientes com doenças cardíacas e outras condições, são outro grupo a ganhar com a automação do fluxo de trabalho baseada em IA e o suporte à decisão clínica. Por exemplo, no tratamento de AVC, a IA baseada em nuvem pode ajudar a analisar imagens de TC para detectar automaticamente a oclusão de grandes vasos, que é uma importante fonte de AVC, bem como sua localização. O software então compartilha essa análise com médicos no centro primário de AVC e no centro de intervenção onde o paciente é eventualmente tratado. Da mesma forma, a IA baseada em nuvem pode ajudar no planejamento e orientação da cirurgia endovascular, ajudando os médicos intervencionistas a operar com mais precisão e eficiência.
Em casos agudos e pós-agudos, há exemplos semelhantes de como a IA no atendimento médico pode melhorar a experiência humana. Quase um em cada cinco pacientes em áreas médico-cirúrgicas de hospitais experimentará eventos adversos graves pós-operatórios [5]. Verificações manuais de sinais vitais podem ser demoradas e estão sujeitas a erros humanos.
Ao monitorar automaticamente os sinais vitais e calcular os escores de alerta precoce que sinalizam uma possível piora do paciente, as ferramentas habilitadas para IA podem ajudar os enfermeiros e as equipes de atendimento a identificar sinais precoces de eventos como insuficiência respiratória ou parada cardíaca, permitindo que respondam rapidamente. Ao fazê-lo, um hospital conseguiu reduzir os eventos adversos graves na enfermaria em 35% e as paradas cardíacas em mais de 86% [6].
Além de aumentar as competências dos médicos e da equipe, a IA também pode ajudar a melhorar a continuidade do atendimento, prevendo quando o equipamento médico precisa de manutenção.
Por exemplo, por meio de sensoriamento remoto, podemos monitorar e analisar mais de 500 parâmetros em uma máquina de RM, o que nos permite identificar proativamente quando determinadas peças podem precisar de manutenção ou substituição. Como resultado, 30% dos casos de manutenção podem ser resolvidos antes que resultem em tempo de inatividade — evitando as interrupções que podem ser evitadas na prática clínica e atrasos desnecessários para os pacientes [7]. No futuro, ter um gêmeo digital completo ou representação virtual de todo um conjunto de imagens poderia permitir uma manutenção preditiva ainda mais abrangente e otimização operacional contínua.
Em um nível corporativo, a IA pode ajudar a gerenciar e otimizar a utilização de equipamentos, leitos e funcionários, fornecendo insights preditivos. Com os recursos hospitalares cada vez mais sobrecarregados, a capacidade de prever e se adaptar às circunstâncias em rápida mudança se tornou mais essencial do que nunca.
Usando o poder da IA, podemos extrair padrões relevantes de grandes quantidades de dados hospitalares históricos e em tempo real para prever e gerenciar o fluxo de pacientes. Isso gera insights acionáveis que podem ajudar a responder a perguntas como: qual paciente deve receber um leito de UTI primeiro? Ou: qual paciente está pronto para ser transferido para uma unidade de tratamento intermediário? Ter esses insights à disposição permite que os profissionais de saúde aproveitem ao máximo os recursos preciosos e gerenciem as transições de atendimento de forma mais eficaz, desde a entrada até a alta hospitalar, garantindo que cada paciente receba o atendimento certo, no lugar certo e na hora certa.
À medida que o atendimento médico se desloca cada vez mais do hospital para a casa e para a comunidade, o poder da IA não permanece confinado às paredes do hospital. Também pode ser aplicada a dados que são convenientemente coletados em casa ou em outro lugar, por meio de tecnologia vestível de nível médico.
Por exemplo, na cardiologia, a IA baseada em nuvem pode ajudar na detecção rápida de fibrilação atrial ou distúrbios do ritmo cardíaco, com base em uma análise de gravações remotas de eletrocardiograma (ECG). A fibrilação atrial afeta milhões de pessoas a cada ano. No entanto, a condição é muitas vezes não reconhecida e não tratada. Ao sinalizar leituras que podem exigir a atenção mais urgente, os médicos têm o poder de prestar atendimento de cardiologia de forma mais rápida e eficiente.
Com a análise assistida por IA, o atendimento de cardiologia pode eventualmente se tornar mais preditivo e proativo. Um estudo recente ressaltou esse potencial, mostrando como um modelo de aprendizagem profunda pode prever o risco de fibrilação atrial no curto prazo com base em gravações do Holter durante 24 horas [8]. É mais um exemplo de como a IA pode ajudar a melhorar a vida dos pacientes, obtendo o atendimento de que precisam mais cedo.
Faça o download do nosso documento de posicionamento How AI can enhance the human experience in healthcare
[1] Habibzadeh MA, Ay MR, Asl AR, Ghadiri H, Zaidi H. Impact of miscentering on patient dose and image noise in x-ray CT imaging: phantom and clinical studies. Phys Med. 2012;28(3):191 199. https://pubmed.ncbi.nlm.nih.gov/21741870/ [2] From discussions with users of Philips ultrasound technology. American Society of Echo, EACVI, Klein reports. [3] Based on (a) a publication from European Radiology 2019 (University of Cologne) - Follow-up MRI in multiple sclerosis patients: automated co-registration and lesion color-coding improves diagnostic accuracy and reduces reading time; and (b) ISP 9 Philips whitepaper: The clinical utility of a novel imaging application for serial brain imaging: MR LoBI. [4] Lo, SB, Freedman, MT, Gillis, LB, White, CS e Mun, SK. American Journal of Roentgenology 2018 210:3, 480-488. https://www.ajronline.org/doi/full/10.2214/AJR.17.18718 [5] Bellomo R, Goldsmith D, Russell S, Uchino S. Postoperative serious adverse events in a teaching hospital: a prospective study. Med J Aust. 2002: 176:216-218. [6] https://www.philips.com/a-w/about/news/archive/case-studies/20180315-early-warning-score-reduces-incidence-of-serious-events-in-general-ward.html [Os resultados são específicos da instituição em que foram obtidos e podem não refletir os resultados que podem ser obtidos em outras instituições] [7] The future of healthcare is smart and connected: a vision for digital transformation. https://www.philips.com/a-w/about/news/archive/blogs/innovation-matters/2021/20210614-thefuture-of-healthcare-is-smart-and-connected-a-vision-for-digitaltransformation.html