O futuro da IA na área da saúde, segundo quatro especialistas de destaque

Para que tecnologias emergentes como a IA tenham o máximo impacto na área da saúde, precisamos repensar fundamentalmente a forma como inovamos, diz Gianrico Farrugia, presidente e CEO da Mayo Clinic – um dos maiores sistemas de saúde dos EUA que atende mais de 1,4 milhão de pacientes por ano.

“Todos nós conhecemos os desafios que o setor de saúde enfrenta, desde pacientes que procuram atendimento em números cada vez maiores até o acesso desigual e a qualidade do atendimento. Mas tem sido muito difícil enfrentar esses desafios com êxito em função da dependência de modelos legados.”

Em geral, o que é necessário em IA e inovação na área da saúde é uma mudança do pensamento de pipeline para o pensamento voltado à plataforma, afirma o Dr. Farrugia.

“O modelo tradicional de pipeline baseia-se em uma série linear de pontos, desde o surgimento de novas ideias até a transformação em produtos autônomos que provedores e pacientes possam usar. Em vez disso, uma abordagem de plataforma depende de um ecossistema contínuo de colaboração. Precisamos reunir provedores, empresas de dispositivos médicos, startups de tecnologia de saúde, pacientes e convênios para cocriar soluções integradas por meio de plataformas digitais – com base em dados longitudinais de pacientes e algoritmos que continuam a aprender ao longo do tempo.”

A Mayo Clinic está assumindo um papel de liderança nessa transformação por meio da Mayo Clinic Platform, uma plataforma digital baseada em nuvem projetada especificamente para a área da saúde. De acordo com o Dr. Farrugia, para que qualquer plataforma desse tipo seja adotada em escala, ela precisa proteger a privacidade e a segurança dos dados dos pacientes e, ao mesmo tempo, permitir a inovação por meio de amplo acesso aos dados dos pacientes e aos modelos de IA. “Uma plataforma digital na área da saúde precisa ser altamente confiável e dimensionável ao mesmo tempo. É por isso que estamos usando uma infraestrutura de dados federada. Em vez de enviar os dados para os modelos de IA, estamos trazendo os modelos de IA para os dados desidentificados, criando uma "parede de vidro" que proporciona aos colaboradores externos acesso aos resultados sem que os dados saiam da plataforma.”

Outra defensor convicto da cocriação é Dominic Cushnan, que está colaborando com provedores de serviços de saúde, academia e empresas de tecnologia na área da saúde em sua função de diretor de IA, Imagiologia e Implantação no NHS Transformation Directorate, um órgão que promove a transformação digital do National Health Service (NHS, Serviço Nacional de Saúde) do Reino Unido. O NHS AI Lab, liderado por Cushnan, visa eliminar as barreiras ao desenvolvimento e implantação de soluções de IA em saúde e assistência médica, além de demonstrar seu impacto no mundo real para os profissionais de saúde e para o público em geral.

Uma dessas barreiras para a adoção mais ampla de algoritmos de IA é a necessidade de conjuntos de dados grandes e representativos para validá-los. “Somente por meio de testes robustos podemos garantir que os algoritmos funcionem de forma adequada para a população em questão e, assim, desenvolver a credibilidade e a confiança na tecnologia”, diz Cushnan.

No entanto, a obtenção de dados do mundo real pode ser difícil. Essa é uma das razões pelas quais, durante o auge da pandemia da COVID-19, o NHS AI Lab trabalhou em conjunto com a Philips e muitos outros para criar o National COVID-19 Chest Imaging Database (banco de dados nacional de imagens do tórax para a COVID-19), apoiando pesquisadores em toda a Inglaterra em sua busca para entender o vírus e desenvolver tecnologias de IA que possibilitem o melhor atendimento aos pacientes hospitalizados com uma infecção grave.

“Ter um conjunto de dados agregado tão grande nos permite testar o potencial sobreajuste de algoritmos de IA, enquanto o próprio conjunto de dados permanece fechado para os desenvolvedores o tempo todo”, explica Cushnan. “Algo que aprendemos com nossos testes é que diferentes populações, incluindo minorias étnicas, podem ter especificidades clínicas que levam um algoritmo a ter um desempenho inferior em relação a determinados pacientes. Isso mostra como é importante validar algoritmos em contraste com um conjunto de dados do mundo real que seja representativo da população-alvo.”

Embora ter a plataforma e as infraestruturas de dados certas ajude muito a promover uma adoção mais ampla da IA na área da saúde, é necessário mais para suprir a defasagem entre a pesquisa acadêmica e a aplicação no mundo real, diz Mark Hoogenndoorn, professor de IA da VU Amsterdam.

“A área da saúde apresenta desafios singulares que exigem que métodos de IA, como o aprendizado de máquina, sejam mais bem adaptados ao domínio médico. Os dados sobre doenças específicas ou grupos de pacientes podem ser limitados. E o que é especialmente importante reconhecer sobre a saúde é que, no geral, a tomada de decisões envolve problemas altamente sequenciais, em que as pessoas precisam tomar várias decisões seguidas, com o resultado de uma decisão afetando a próxima. Por exemplo, um médico pode decidir sobre um determinado tratamento, por exemplo, a medicação, que afeta o curso da doença do paciente, após a qual o médico precisa tomar outras decisões com base na trajetória exclusiva da doença desse paciente.”

Para apoiar essa tomada de decisão sequencial com IA, o Dr. Hoogendoorn está entre os pioneiros no uso do aprendizado por reforço na área da saúde – que é um tipo de aprendizado de máquina que aprende com os resultados de cada ação em uma sequência para otimizar um determinado objetivo final. Em um ambiente de saúde, um resultado positivo pode ser a recuperação de um paciente ou a alta da unidade de terapia intensiva (UTI).

Com o uso do aprendizado por reforço, o Dr. Hoogendoorn e seus colaboradores estão enfrentando problemas complexos, como determinar a melhor estratégia de tratamento para um paciente com sepse, que é a causa mais frequente de admissão na UTI e a causa mais comum de morte na UTI [1].

Outra grande pioneira na ponte entre a academia e a prática clínica é Mihaela van der Schaar, professora de Aprendizado de Máquina, Inteligência Artificial e Medicina da Universidade de Cambridge. O laboratório de pesquisa que ela dirige desenvolve aprendizado de máquina de ponta e métodos de IA para a área da saúde em estreita colaboração com médicos e pacientes.

“A complexidade da área da saúde exige que enfrentemos vários e diversos desafios: desde melhorar a qualidade dos dados de saúde até o desenvolvimento de novos métodos para ajudar a personalizar o atendimento, bem como tornar os resultados desses modelos interpretáveis e confiáveis para médicos e pacientes. O aprendizado de máquina pode ajudar a enfrentar todos esses desafios, e é exatamente nisso que nosso laboratório está se concentrando.”

Por exemplo, para enfrentar os desafios relacionados à privacidade no acesso a dados para desenvolvimento de IA, Van der Schaar e sua equipe têm sido pioneiras no uso de modelos generativos para criar os chamados dados sintéticos. “Os dados sintéticos visam reproduzir as propriedades estatísticas de um conjunto de dados do mundo real, protegendo a privacidade dos pacientes”, explica ela. “Como benefício adicional, os dados sintéticos também podem aumentar a imparcialidade dos modelos de IA, corrigindo possíveis vieses em dados do mundo real.”

Van der Schaar e seu laboratório também estão ampliando os limites no uso do aprendizado de máquina para resolver desafios clínicos do mundo real, como personalizar planos de tratamento de pacientes com condições complexas, como o câncer. “Diferentes pacientes com câncer têm diferentes trajetórias da doença e respondem de forma distinta ao mesmo tratamento. Com o uso de modelos avançados de aprendizado de máquina, podemos tornar o atendimento mais personalizado, ajudando os médicos a decidir qual tratamento pode funcionar melhor para um determinado paciente em um momento específico, dadas suas características e histórico exclusivos.”

Esses modelos somente terão adoção clínica se os resultados forem altamente precisos, interpretáveis e confiáveis, acrescenta Van der Schaar. Por meio de sessões regulares de relacionamento clínico com médicos, ela descobriu que eles têm expectativas muito mais altas sobre a interpretabilidade dos modelos de IA do que normalmente se supõe.

“Os médicos querem mais do que uma explicação de como certas características do paciente fundamentam o prognóstico de um modelo. Eles querem o mesmo nível de transparência dos métodos estatísticos clássicos, como a análise de regressão, e entendem quais regras ou leis o modelo desvendou. Para atender a essas necessidades, agora estamos trabalhando em metamodelos simbólicos que podem ajudar a desmistificar o real funcionamento da IA para os médicos”.