TOP
Nos últimos anos, a inteligência artificial (IA) tem vindo a ganhar cada vez mais atenção no mundo científico médico, onde existe um grande entusiasmo pelo papel que a IA poderá vir a desempenhar neste campo. O número de artigos científicos sobre esta temática triplicou nos últimos anos e, ao pesquisar «IA na medicina» no motor de busca de qualquer plataforma de publicações médicas, obtêm‑se mais de 23 mil resultados. Além disso, cada vez mais dispositivos baseados em IA são aprovados pela Food and Drug Administration (FDA) dos Estados Unidos, sobretudo no domínio da radiologia, que atualmente é a especialidade médica que mais investe em IA, seguida da cardiologia.1
A IA abrange um vasto conjunto de métodos que visam replicar capacidades semelhantes às humanas, como a perceção, o raciocínio e a tomada de decisões, recorrendo a regras, estatísticas ou abordagens baseadas na aprendizagem. A aprendizagem automática (machine learning) surgiu como uma técnica de IA focada na aprendizagem de padrões a partir de dados. A aprendizagem profunda (deep learning) é uma forma especializada de aprendizagem automática que recorre a redes neurais multicamadas. Por sua vez, a IA generativa é um ramo avançado que cria novos conteúdos a partir desses modelos.
A aprendizagem automática é uma técnica baseada na IA frequentemente aplicada no domínio da medicina. A aprendizagem automática começa com uma grande quantidade de dados, aos quais são aplicados algoritmos específicos. Estes algoritmos utilizam técnicas estatísticas para detetar padrões e fazer previsões ou tomar decisões com base nos dados históricos com que são treinados. A informação obtida é utilizada para gerar um resultado útil que permita resolver um problema específico do sistema médico, seja através de uma ação ou de uma categorização.
A aprendizagem automática oferece muitas possibilidades nos campos médicos em que o diagnóstico se baseia em imagens, como a histopatologia. A IA pode apoiar os patologistas, ajudando‑os a realizar diagnósticos mais precisos, rápidos e em maior número. Entre os seus objetivos está a diminuição de erros de diagnóstico, nomeadamente os relacionados com o cancro. Revisões sistemáticas e metanálises, que incluem estudos de precisão diagnóstica realizados em todo o mundo e que utilizam IA aplicada a imagens de lâminas completas para qualquer doença, relatam uma sensibilidade média de 96,3% e uma especificidade média de 93,3% na realização de qualquer tipo de diagnóstico. Com a ajuda de sistemas de aprendizagem profunda, a precisão dos diagnósticos dos patologistas melhorou significativamente, tendo a taxa de erro humano diminuído 85%.2
Os dispositivos com IA são também utilizados na radiologia, uma ciência altamente digital e baseada em imagens computadorizadas. A IA aplicada a estas imagens utiliza algoritmos para acelerar, aperfeiçoar e otimizar a respetiva análise, facilitando o diagnóstico de doenças, o planeamento de tratamentos e a monitorização. Entre as suas vantagens, contam‑se uma análise mais rápida e a capacidade de detetar anomalias subtis que poderiam passar despercebidas ao olho humano, o que conduz a diagnósticos mais precisos e, potencialmente, a melhores resultados para os pacientes.3
No entanto, a IA na medicina não se limita apenas ao reconhecimento de imagens. A IA tem‑se revelado eficaz na resolução de problemas e na previsão de condições médicas. Esta capacidade é muito valiosa na prática clínica, na medida em que permite antecipar situações e condições específicas, oferecendo aos médicos a oportunidade de tratar os pacientes de forma oportuna e de melhorar a eficácia do diagnóstico e do tratamento.
No âmbito clínico, um exemplo importante de previsão é a deteção precoce da sépsis subjacente. A sépsis é uma das principais causas de morte, sendo responsável por metade de todas as mortes hospitalares. Ocorre quando uma infeção desencadeia uma reação em cadeia por todo o organismo. A inflamação pode dar origem à formação de coágulos sanguíneos e à ocorrência de fugas nos vasos sanguíneos, o que, em última instância, pode causar danos ou falhas nos órgãos. Todos os anos, cerca de 3,4 milhões de pessoas desenvolvem sépsis na Europa, das quais quase 700 mil morrem. Aproximadamente um terço dos sobreviventes de sépsis sofrem de problemas físicos, mentais ou cognitivos para o resto da vida.4
O problema é que a sépsis pode ser facilmente ignorada, dado que sintomas como a febre e a confusão são inespecíficos e comuns a outras condições. Além disso, se o paciente desenvolver sintomas, a equipa médica já estará atrasada no tratamento e terá de agir com urgência. Uma das formas mais eficazes de melhorar os resultados da sépsis é detetá‑la precocemente e aplicar tratamentos eficazes atempadamente. No entanto, historicamente, tem sido difícil alcançar este objetivo devido à falta de sistemas que permitam identificar a sépsis de forma precoce e precisa nos pacientes.
Para abordar este assunto complexo, médicos e investigadores desenvolveram sistemas de alerta precoce em tempo real baseados em inteligência artificial, com o objetivo de identificar mais cedo os pacientes com sépsis. Estes sistemas detetam os sintomas várias horas antes dos métodos tradicionais, pois analisam os dados estruturados e não estruturados dos processos clínicos e das anotações médicas para identificar os pacientes em risco de complicações potencialmente fatais. Ao combinarem o histórico clínico do paciente com os seus sintomas e os resultados dos exames (por exemplo, laboratoriais e medições dos sinais vitais), os sistemas de aprendizagem automática mostram aos médicos quando alguém está em risco de sépsis.5
O potencial da IA oferece muitas oportunidades no campo da medicina clínica, com grandes perspetivas para o futuro, na medida em que permite obter uma visão mais clara ao combinar todos os dados e informações, encaixando as peças do quebra-cabeças para se obter uma visão global.
A IA pode utilizar dados provenientes de eletrocardiogramas, análises laboratoriais, exames de imagem e muitos outros exames médicos, todos incluídos nos registos clínicos, que estão cada vez mais disponíveis em formato digital. Também é possível adicionar dados de diferentes sensores portáteis (wearables), como relógios inteligentes. As informações específicas de cada paciente podem ser combinadas com as evidências médicas disponíveis em grandes conjuntos de dados biológicos, por exemplo, genómica, proteómica ou metabolómica. Poderiam também ser incluídas informações sobre o estilo de vida do paciente, como a nutrição ou a atividade física, entre muitos outros dados. Os modelos computacionais baseados em IA podem integrar todas as informações e tomar decisões que tenham em conta todos os dados.
A IA também poderia ser utilizada para prever o resultado de um tratamento aplicado a um diagnóstico específico e para identificar a opção terapêutica mais adequada para cada paciente. Com a IA, seria possível prever a resposta aos medicamentos e otimizar a dosagem. A IA poderia auxiliar os médicos no tratamento de doenças crónicas, reduzindo as taxas de readmissão hospitalar e a duração dos tratamentos dos pacientes internados.
A IA poderia ajudar os investigadores a desenvolver novos medicamentos ou a reutilizar os já existentes, explorando todo o seu potencial. Por exemplo, o grupo dos análogos do recetor do peptídeo semelhante ao glucagão tipo 1 (GLP‑1R) é geralmente considerado um novo grupo de substâncias, mais conhecido como «o novo medicamento para perder peso». No entanto, o primeiro análogo do GLP‑1 foi comercializado em 2004 para o tratamento da diabetes tipo 2. Foram necessários dez anos para que o setor médico o aprovasse como medicamento para o controlo de peso a longo prazo em pessoas obesas não diabéticas e mais oito anos para o aprovar como medicamento cardioprotetor. A IA pode acelerar este processo de identificação do potencial dos medicamentos, permitindo uma triagem mais rápida das moléculas.
Outro benefício potencial seria a possibilidade de prever a eficácia do tratamento. Atualmente, estão a ser realizados estudos sobre a eficácia de alguns medicamentos já existentes, nomeadamente inibidores de pontos de controlo imunitário (ICI). Os ICI são um tipo de imunoterapia utilizada para tratar vários tipos de cancro, apresentando resultados muito positivos. No entanto, apenas alguns pacientes respondem aos ICI, ao passo que outros não o fazem. Atualmente, não está claro o que causa essa diferença na resposta nem como se pode prever quais os pacientes que responderão positivamente ao tratamento.
Um tratamento ineficaz não só é oneroso, como também pode representar uma experiência muito frustrante para o paciente, que também pode sofrer efeitos secundários graves. Um estudo coreano revelou que uma ferramenta baseada em aprendizagem automática consegue identificar as vias de comunicação fundamentais com os agentes responsáveis pela resposta imunitária do paciente ou pela sua resistência aos ICI.6
A IA pode igualmente contribuir para o avanço da medicina de precisão e dos tratamentos invasivos. Os dispositivos baseados em IA, como a cirurgia assistida por robôs, são amplamente utilizados em contexto clínico. Prevê‑se que esta técnica se expanda ainda mais, estando disponível para vários tipos de cirurgia e tratamentos invasivos. As técnicas atualmente disponíveis também continuarão a ser melhoradas.
A cirurgia assistida por robôs permite a realização de procedimentos menos invasivos, com menos complicações, menor perda de sangue e uma recuperação mais rápida, reduzindo o tempo de permanência no hospital e na unidade de cuidados intensivos.
A IA tem o potencial de revolucionar a medicina, mas há muitos desafios a superar. A qualidade dos dados utilizados para treinar a IA é uma questão importante. A IA depende de dados fidedignos, transparentes e revistos por pares para gerar informações úteis que possam ser aplicadas à população em geral. Além disso, é necessário abordar a variabilidade das máquinas utilizadas no âmbito clínico para recolher todos os dados médicos. A incomparabilidade dos dados é uma preocupação importante que deve ser abordada para se desenvolverem modelos baseados em IA que sejam fiáveis.
O acesso a grandes volumes de dados para treinar modelos que forneçam resultados significativos continua a ser essencial, o que levanta um enorme problema de proteção de dados. Há questões relacionadas com a propriedade dos dados, a sua recolha legal e as informações dos participantes nos estudos, bem como o risco de pirataria informática, abuso de informações de saúde ou uso indevido para fins criminosos ou políticos. A isto acresce a questão das responsabilidades legais em caso de erro de tratamento ou diagnóstico.
Em suma, o futuro da IA na assistência médica parece promissor. Ainda há muito a fazer, mas a investigação médica nunca deu um passo atrás na história da humanidade e é muito improvável que tal venha a acontecer.
Como é que isto afetará o setor dos seguros de vida? É possível que doenças anteriormente devastadoras se transformem em condições crónicas. É provável que as doenças crónicas e agudas sejam detetadas mais cedo, controladas mais de perto e tratadas de forma mais eficaz. As seguradoras de vida podem esperar candidatos e segurados com diagnósticos mais precisos, prognósticos de longo prazo mais fiáveis e uma estratificação mais precoce do risco no âmbito clínico, graças a um diagnóstico mais precoce e a um tratamento melhor.
