Machine learning aplicado à saúde é um dos campos mais promissores da Inteligência Artificial (IA) na atualidade. Nessa abordagem, algoritmos computacionais são apresentados a grandes volumes de dados, com o intuito de identificarem padrões complexos entre eles. Com isso, posteriormente eles podem executar de forma autônoma as tarefas para as quais foram modelados, sem que tenham sido programados passo a passo para atingir os resultados.
Já abordamos em outro artigo no site da Lean Saúde 3 grandes áreas em que a IA pode ser aplicada à saúde:
- Predição/classificação a partir de dados estruturados;
- Análise de imagens médicas;
- Análise de linguagem natural.
A maioria das soluções não são brasileiras. No entanto, cada vez mais estamos vendo o desenvolvimento da IA por universidades e empresas nacionais, como a Lean Saúde. A lista aqui fornecida não é exaustiva, mas serve como uma boa referência e inspiração.
Observação: os exemplos aqui mencionados são meramente ilustrativos. A Lean Saúde não recomenda ou endossa nenhum produto ou empresa em particular. Use as informações conforme seu critério.
Sistemas de Apoio à Decisão Clínica
Sistemas de apoio à decisão clínica englobam um conjunto de aplicações da tecnologia dedicadas a fornecer insumos à equipe assistencial. Isso inclui a formulação de hipóteses diagnósticas, a escolha de alternativas de tratamento, a ponderação de riscos e interações medicamentosas, entre outras funções.
Um exemplo desta aplicação é a triagem automatizada oferecida pela Infermedica. Os pacientes informam os sintomas e o tempo de evolução, além de outras informações que o algoritmo julgue relevantes. Com base nisso, o sistema constrói dinamicamente uma árvore de decisão a partir de milhões de associações entre doenças e sintomas, com respaldo na literatura médica. Segundo a empresa, o objetivo é permitir uma rápida classificação de risco do paciente, para que a equipe o encaminhe ao nível de assistência mais adequado.
No Brasil, a startup Laura oferece soluções de apoio à decisão clínica. Um exemplo é a identificação precoce da deterioração clínica de pacientes internados.
Machine Learning aplicado à Radiologia
Imagens médicas radiológicas constituem fontes ricas de informação para o diagnóstico, tratamento e prognóstico dos pacientes. Isso vale para radiografias, tomografia computadorizada, ressonância magnética e ultrassonografia, entre outras modalidades.
Nos últimos anos, pesquisadores e empresas desenvolveram diversos estudos e produtos nesta área com resultados promissores, alguns dos quais já utilizam na prática. Podemos mencionar, como exemplo de iniciativa na área, o projeto InnerEye, da Microsoft. Trata-se de um projeto de pesquisa que utiliza técnicas de machine learning para a análise de imagens médicas 3D.
Machine Learning aplicado à Dermatologia
O reconhecimento de padrões ao exame dermatológico direto ou por meio de fotografias de lesões de pele é a base da prática dermatológica, sendo especialmente importante para a detecção precoce de lesões potencialmente graves, como melanomas malignos de pele.
Nos últimos anos, pesquisadores publicaram vários trabalhos nesta área. Em 2021, por exemplo, a Google anunciou em seu evento anual “Google I/O” o desenvolvimento de uma plataforma de detecção de lesões de pele, utilizando fotografias de celular.
Monitoramento de Pacientes
Para o sucesso do tratamento dos pacientes, ou, de forma mais ampla, para a promoção de saúde populacional, tão importante quanto as intervenções assistenciais pontuais é o monitoramento contínuo da saúde. Isso inclui a captação ativa e passiva de informações de saúde, como valores de pressão arterial ou glicemia, hábitos de vida, prática de atividades físicas, entre outros.
Com o advento de wearables, como o Apple Watch e similares, a captura contínua de dados relevantes de saúde tem se tornado uma realidade. Além disso, desenvolvedores têm construído apps diversos com a finalidade de otimizar o monitoramento de pacientes. Podemos exemplificar com o Somatix, uma solução de telemonitoramento que oferece uma interface para profissionais de saúde acompanharem e atuarem junto aos seus pacientes assistidos.
Predição de Risco Populacional
Um dos aspectos-chave para a gestão de saúde eficiente é a identificação de populações com maior risco de adoecimento ou complicações. Isso permite direcionar esforços e recursos de maneira inteligente, promovendo saúde de forma efetiva e reduzindo custos.
Todo o ecossistema de saúde tende a se beneficiar com tais análises preditivas. No entanto, essas análises são desafiadoras, dado o grande volume de dados de qualidade necessários para predições acuradas, como em toda técnica de machine learning aplicado à saúde. Ao mesmo tempo, são igualmente muito promissoras.
O Lean Predict é um exemplo de aplicação dessas técnicas. Desenvolvido pela Lean Saúde, o objetivo do Lean Predict é identificar populações de alto risco de internação hospitalar ou de alto risco de complicações de doenças crônicas, por exemplo.
