fev 10, 2022
IA na saúde: quatro áreas de foco para promover uma adoção clínica mais ampla
A inteligência artificial (IA) entrou em cena na área da saúde nos últimos anos, impulsionando inovações que prometem melhorar o atendimento e os resultados dos pacientes, reduzindo custos. Mas, como qualquer um que trabalha no campo sabe, o caminho da pesquisa de IA até a prática clínica pode ser difícil, por razões que vão muito além da própria tecnologia. Como impulsionar a adoção da IA na saúde em escala para cumprir plenamente a sua promessa para pacientes e profissionais de saúde? Desde o diagnóstico de precisão até o monitoramento agudo de pacientes e a autoadministração de doenças crônicas, a IA na área da saúde tem mostrado potencial para apoiar profissionais e pacientes em todas as etapas do continuum assistencial. Os aplicativos variam de algoritmos que aumentam a experiência dos profissionais de saúde e dão suporte à tomada de decisões centrada no paciente, a ferramentas de automação de fluxo de trabalho que podem melhorar a eficiência operacional e liberar o foco para o atendimento ao paciente. A IA também está ajudando os hospitais a prever e gerenciar o fluxo de pacientes, desde a admissão hospitalar até a alta, permitindo que eles se adaptem às circunstâncias em rápida mudança. E com a saúde cada vez mais se movendo para dentro de casa, os insights baseados em IA podem capacitar as pessoas a cuidar de sua própria saúde e bem-estar para mantê-las fora do hospital – enquanto permanecem estreitamente conectadas aos profissionais de saúde por meio do monitoramento remoto de pacientes. A necessidade de tais tecnologias só será sentida mais fortemente nos anos seguintes. Os sistemas de saúde já estavam se esforçando para atender ao aumento da demanda de pacientes antes da COVID-19. Com a escassez global de pessoal projetada para aumentar para 18 milhões até 2030 [1], a assistência médica está em uma trajetória insustentável, se não repensarmos com urgência como e onde ela é prestada. No entanto, apesar de encorajar as primeiras aplicações e uma abundância de pesquisas, existem vários desafios que impedem a adoção mais ampla da IA na prática clínica, desde (falta de) integração e confiança do fluxo de trabalho até dificuldades de acesso a dados e preocupações com a privacidade de dados [4,5]. Na tentativa de enfrentar tais desafios, identificamos quatro áreas possibilitadoras para a realização de todo o potencial da IA na área da saúde.
Uma pesquisa da Medscape de 2021 revelou que 42% dos profissionais de saúde se sentiram esgotados, com as reverberações contínuas da pandemia aumentando a tensão para muitos [2]. A crescente carga administrativa na saúde também pesa sobre eles, tirando a sua atenção do que os atraiu para a medicina em primeiro lugar: cuidar dos pacientes [3]. Isso nos obriga a perguntar como tecnologias como a IA podem aliviar a carga para os profissionais de saúde e tornar o seu trabalho mais gratificante, permitindo que gastem o seu tempo onde agrega mais valor.
Vamos explorar cada uma dessas quatro áreas possibilitadoras mais detalhadamente.
1. Pessoas e experiências
O valor da IA na área da saúde é tão significativo quanto a experiência humana que ela suporta. A inovação em IA deve, portanto, focar nas necessidades não atendidas de profissionais e pacientes em primeiro lugar. As inovações de IA mais benéficas na área da saúde, como qualquer outra inovação, são orientadas por necessidades e não baseadas em tecnologia. Elas melhoram a experiência de atendimento humano sem atrapalhar. Ou como o diretor de informação de um hospitalar disse: “Medicina digital é apenas medicina, da mesma forma que a tecnologia realmente boa não se trata de tecnologia. Ela se incorpora às nossas vidas cotidianas”. [6]
Design centrado no ser humano para integração perfeita do fluxo de trabalho
Um aprendizado consistente com essas colaborações é que a IA na área da saúde deve reduzir a sobrecarga de informações em vez de aumentá-la. O que pode parecer um algoritmo útil em um ambiente de pesquisa pode realmente ser um fardo para os profissionais de saúde, se isso significar adicionar algo ao seu fluxo de trabalho. Veja a radiologia, por exemplo. Os radiologistas trabalham em um ambiente complexo e pressionado pelo tempo, executando diferentes aplicativos de software em paralelo em várias telas. Se os algoritmos de IA exigem que eles gerenciem aplicativos adicionais, o efeito líquido pode ser que os radiologistas realmente gastem mais – não menos – tempo processando imagens médicas [7]. Em vez disso, os algoritmos devem se integrar perfeitamente em seus fluxos de trabalho, oferecendo uma experiência unificada sem exigir troca adicional de tarefas.
Para alcançar esse tipo de integração perfeita do fluxo de trabalho, o design centrado no ser humano é essencial. Isso requer envolver todas as partes interessadas pertinentes, incluindo os usuários finais, desde o início do processo de desenvolvimento. Na Philips, usamos ferramentas como sessões de cocriação, fluxos de experiência e análises de fluxo de trabalho de 360 graus no local para entender o contexto em que a tecnologia habilitada para IA é usada.
Desenvolvimento de uma força de trabalho pronta para a IA
Os sistemas nacionais de saúde devem, portanto, priorizar a IA e a ciência de dados em seus currículos educacionais. Instituições como a Sociedade Europeia de Radiologia pediram justamente que a IA fosse incluída nos currículos para futuros residentes em radiologia [8]. Outras especialidades em que a IA é mais propensa a gerar novas aplicações primeiro, como patologia e oncologia, também se beneficiariam de novos programas de educação que incorporam os conhecimentos mais recentes de profissionais de saúde, acadêmicos e participantes do setor. Além disso, a colaboração virtual pode suportar o aprendizado peer-to-peer. Na Philips, também estamos promovendo uma conscientização pública mais ampla para o papel emergente da IA na área da saúde. Por exemplo, por meio do consórcio holandês Kickstart AI, contribuímos para um curso nacional de IA voltado para o público em geral. Tais iniciativas podem ajudar a tornar as pessoas mais familiarizadas e receptivas ao uso de IA em dispositivos de assistência médica e saúde pessoal.
Para preparar a força de trabalho médica de hoje e do futuro para um futuro habilitado pela IA e outras tecnologias digitais, a educação também é essencial. Cada vez mais, os médicos precisarão ser bem versados tanto em ciências biomédicas quanto de dados, com uma compreensão adequada dos pontos fortes e limitações da IA. Os enfermeiros também devem se sentir confortáveis usando sistemas de suporte a decisões clínicas habilitados para IA, sabendo como obter o máximo de insights baseados em dados em conjunto com sua própria experiência profissional. E eles devem ser capazes de explicar aos pacientes como a IA ajuda a informar as decisões médicas.
2. Dados e tecnologia
O desenvolvimento de soluções habilitadas para IA depende do acesso a dados de alta qualidade. A realidade, no entanto, é que os dados de saúde de hoje são muitas vezes bloqueados em sistemas díspares e desconectados, representando uma barreira que precisa ser abordada para que a IA na área da saúde seja dimensionada. Em nosso relatório de 2021 Future Health Index, os líderes de saúde citaram dificuldades com a gestão de dados (44%) e a falta de interoperabilidade e padrões de dados (37%) como os maiores obstáculos à adoção da tecnologia digital em saúde em seu hospital ou unidade de saúde. Esses desafios também podem dificultar a compilação dos dados necessários de alta qualidade para o treinamento de modelos de IA, especialmente se esses modelos dependem de dados multimodais e longitudinais de diferentes fontes.
Promoção do compartilhamento de dados e interoperabilidade
Em segundo lugar, a interoperabilidade e o compartilhamento padronizado de dados entre diferentes hospitais e sistemas de saúde é fundamental para explorar todo o potencial de dados e IA na área da saúde. Os dados devem estar disponíveis em formatos que possam ser compartilhados sem esforço, com transparência e segurança, de forma que esteja em conformidade com as normas de privacidade pertinentes. Na Philips, estamos promovendo o uso de padrões de dados abertos e interoperabilidade semântica, por meio de métodos como um sistema unificado de linguagem de informação, para permitir que os profissionais de saúde se conectem e integrem dados de forma significativa. Em terceiro lugar, a legislação regional e a colaboração devem permitir a troca segura e o acesso a dados devidamente anotados para pesquisas de IA e prática clínica, ao mesmo tempo em que protegem a privacidade do paciente. Por isso, apoiamos iniciativas como a criação de um espaço comum, o Espaço Europeu de Dados de Saúde, que se destina a promover uma melhor troca e acesso a diferentes tipos de dados de saúde, que vão desde prontuários eletrônicos até dados de genômica, em todos os estados-membros da UE.
Para superar esses desafios, são necessárias infraestruturas de plataforma robustas e interconectadas para coleta, combinação e análise de dados em escala. À medida que a assistência médica se torna cada vez mais distribuída, estendendo-se do hospital para o lar, essas infraestruturas precisam abranger todo o continuum assistencial para conectar os dados dos pacientes em todos os cenários. Por meio de nossa plataforma Philips HealthSuite baseada em nuvem, estamos ajudando os profissionais de saúde a coletar, compilar e analisar dados de várias fontes, incluindo prontuários, dados de imagem e monitoramento, bem como dispositivos de saúde pessoal.
Pioneirismo da IA de última geração
Abordagens de última geração ao desenvolvimento de IA também podem ajudar a enfrentar alguns dos desafios em torno do acesso a dados. Por exemplo, a aprendizagem federada permite que várias instituições de saúde obtenham insights por meio de um modelo de IA compartilhado, sem ter que transferir dados de pacientes para além das instituições onde se encontram. O processo de aprendizado de máquina ocorre localmente em cada instituição participante. Apenas as características do modelo de IA são transferidas para um servidor central de nuvem. Os dados permanecem onde estão. Pesquisas recentes mostraram que modelos treinados pela aprendizagem federada podem alcançar níveis de desempenho comparáveis aos treinados em conjuntos de dados centralmente hospedados e superiores aos modelos baseados em dados de uma única instituição [9].
Onde há escassez de dados para treinar modelos de IA, também podemos explorar o conhecimento baseado em ciência existente para ajudar a preencher as lacunas. Por exemplo, o conhecimento anatômico e fisiológico dos pulmões ou do coração pode ser usado para criar imagens sintéticas que complementem os dados anotados existentes. Modelos de segmentação de imagens médicas treinados em conjuntos de dados sintéticos têm mostrado melhor precisão que modelos treinados apenas em um pequeno conjunto de dados do mundo real, mostrando a promessa de uma abordagem de modelagem híbrida que combina o poder dos dados com o conhecimento baseado em ciência [10]. Ao explorar as possibilidades desses e de outros métodos de IA de última geração, poderemos enfrentar desafios relacionados a dados no desenvolvimento de IA com um kit de ferramentas mais versátil e eficaz.
3. Governança e confiança
Para fortalecer a confiança pública e profissional na IA em saúde, os avanços tecnológicos precisam estar alinhados com a governança adequada em torno da privacidade de dados, segurança e ética da IA. Quando questionados sobre o que impediria os consumidores de usar tecnologia digital na saúde, 41% classificaram “preocupações com minha privacidade ou segurança de dados” como a barreira número um [11]. Da mesma forma, para os CIOs de saúde encarregados de manter os dados dos pacientes seguros em uma infinidade crescente de canais e dispositivos, a segurança de dados continua sendo uma grande preocupação [12]. Na Philips, estamos comprometidos em abordar proativamente as preocupações de segurança e privacidade, conforme refletido em nossos Princípios de Dados. Mas a IA na área da saúde também traz consigo outros riscos que exigem padrões e proteções adicionais. Por exemplo, devemos encorajar a confiança apropriada na IA, evitando que os médicos venham a confiar nela cegamente, porque nenhum algoritmo jamais será perfeito. Devemos também estar atentos de que a IA pode exacerbar as desigualdades de saúde existentes por meio de conjuntos de dados tendenciosos que não representam com precisão a população-alvo.
Tais considerações nos levaram a desenvolver e implementar um conjunto de princípios orientadores para o uso responsável da IA, tudo com base na noção de que a IA deve beneficiar os profissionais de saúde, os pacientes e a sociedade como um todo, evitando consequências não intencionais, como o viés. Já escrevemos sobre esses Princípios de IA e a importância da IA justa e livre de viés, e nos consultamos esses artigos para obter mais informações sobre este tema vital.
O que vale a pena destacar aqui é que a IA também está sendo cada vez mais reconhecida como uma força para o bem que pode promover uma saúde mais justa e equitativa. Por exemplo, a Philips recebeu recentemente uma bolsa da Fundação Bill & Melinda Gates para desenvolver um aplicativo baseado em IA para melhorar a qualidade e acessibilidade da assistência obstétrica em países de baixa e média rendas. O aplicativo será projetado para ajudar enfermeiros a identificar possíveis problemas na gestação em um estágio inicial, dando às gestantes uma chance melhor de trazer uma criança saudável ao mundo. Essa é apenas uma das muitas oportunidades para a IA na área da saúde fazer a diferença onde ela é mais necessária.
4. Parcerias e novos modelos de negócios
Em um setor tão complexo quanto a saúde, ninguém tem todas as soluções individualmente. Parcerias, integração de ecossistemas e novos modelos de negócios, como os mercados de software baseados em SaaS, estão, portanto, se tornando cada vez mais importantes para introduzir a IA na prática clínica. A implantação de projetos de IA bem-sucedidos em escala requer intensa colaboração entre pessoas com origens altamente diversas, de médicos a cientistas de dados, pacientes, tomadores de decisão hospitalares e profissionais de TI. Parcerias são o segredo para unir essas disciplinas. Por exemplo, como parte do BigMedilytics, um consórcio de big data apoiado pela UE liderado pela Philips Research, temos trabalhado em estreita colaboração com parceiros clínicos no desenvolvimento de modelagem preditiva para resultados de cirurgias de câncer de próstata, que podem apoiar médicos e pacientes em suas decisões de tratamento para obter melhores resultados e qualidade de vida. Por meio de parcerias e integração de ecossistemas, grandes provedores de soluções de saúde como a Philips também podem facilitar a incorporação de aplicativos de IA de startups em seus fluxos de trabalho. Na radiologia, por exemplo, isso poderia assumir a forma de um mercado de software selecionado que permitisse aos radiologistas baixar aplicativos validados de um grande número de terceiros desenvolvedores por meio de uma plataforma comum, sem precisarem se preocupar com integrações ponto a ponto. Ao fornecer tais serviços por meio da nuvem em uma base de Software as a Service (SaaS), os aplicativos de IA podem ser implantados com mais facilidade e atualização ao longo do tempo, para inovação contínua.
Finalmente, critérios claros para o reembolso da IA na área da saúde também serão cruciais para uma adoção mais ampla. Hoje, o financiamento da IA ainda é incerto em muitos casos. Os esquemas de reembolso não foram projetados com a IA em mente. Uma transição de modelos de pagamento de taxa por serviço para o pagamento baseado em valor seria um longo caminho para criar o cenário de incentivo adequado para a adoção sustentável da IA na área da saúde. Isso precisa acompanhar mais estudos clínicos prospectivos estabelecendo melhores resultados por meio do uso da IA, demonstrando seu valor para provedores, pagadores e pacientes [13]. Claramente, uma ampla gama de desafios permanece, muitos dos quais não estão relacionados à tecnologia em si. Para impulsionar a adoção da IA na área da saúde em escala, devemos ter uma visão muito mais ampla e nos perguntar como a IA pode ser melhor integrada aos fluxos de trabalho, políticas e ecossistemas que tornam possível a transformação real. Somente ao abordar esses facilitadores de forma combinada poderemos cumprir toda a promessa de IA. Devemos isso a todos os profissionais de saúde e pacientes cujas vidas poderiam melhorar com ela.
Leia mais sobre IA na saúde
Para uma nova exploração de como a IA pode agregar valor aos pacientes e profissionais de saúde em todo o continuum assistencial, baixe o nosso documento sobre a posição “Como a IA pode melhorar a experiência humana em saúde”.
Referências [1] Organização Mundial da Saúde. https://www.who.int/news/item/28-05-2019-addressing-the-18-million-health-worker-shortfall-35-concrete-actions-and-6-key-messages
[2] Medscape National Physician Burnout & Suicide Report 2021
[3] Scientific American. https://blogs.scientificamerican.com/observations/electronic-health-records-and-doctor-burnout/
[4] Kelly, CJ, Karthikesalingam, A, Suleyman, M, Corrado, G, King, D. 2019. Key challenges for delivering clinical impact with artificial intelligence. BMC Medicine 17, 1:195. https://doi.org/10.1186/s12916-019-1426-2
[5] Strohm, L, Hehakaya, C, Ranschaert, ER, Boon, WPC, Moors, EHM. 2020. Implementation of artificial intelligence (AI) applications in radiology: hindering and facilitating factors. European Radiology. 30, 5525–5532. https://doi.org/10.1007/s00330-020-06946-y
[6] Marx, E & Padmanabhan, P. Healthcare Digital Transformation. 2020
[7] Kwee, TC, Kwee, RM. 2021. Workload of diagnostic radiologists in the foreseeable future based on recent scientific advances: growth expectations and role of artificial intelligence. Insights Imaging 12, 88 https://doi.org/10.1186/s13244-021-01031-4
[8] Richardson, ML, Garwood, ER, Lee, Y, et al. 2021. Noninterpretive Uses of Artificial Intelligence in Radiology, Academic Radiology, 28(9). https://doi.org/10.1016/j.acra.2020.01.012
[9] Rieke, N, Hancox, J, Li, W, et al. 2020. The future of digital health with federated learning. NPJ Digital Medicine, 3, 119. https://doi.org/10.1038/s41746-020-00323-1
[10] Frid-Adar, M, Diamant, I, Klang, E, et al. 2018. GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification. Neurocomputing. 321:321-331. https://doi.org/10.1016/j.neucom.2018.09.013
[11] https://www.accenture.com/us-en/insights/health/leaders-make-recent-digital-health-gains-last
[12] https://www.beckershospitalreview.com/healthcare-information-technology/healthcare-cios-in-2020-3-key-priorities-how-the-role-is-evolving.html
[13] McKinsey and EIT Health. Transforming healthcare with AI: the impact on the workforce and organisations. https://www.mckinsey.com/industries/healthcare-systems-and-services/our-insights/transforming-healthcare-with-ai
Compartilhe nas redes sociais
Tópicos
Autores
Henk van Houten
Former Chief Technology Officer at Royal Philips from 2016 to 2022
Tina Manoharan
Global Lead Data Science & AI Center of Excellence As the Global Lead of the Data Science & AI Center of Excellence, Tina leverages data science and AI to support Philips clusters, businesses and markets with the creation of smart connected devices, services, and solutions. She also leads the Digital Division of Research in Europe focusing, among other, on the Internet of Things, data science and AI.
Follow me on
