A Inteligência Artificial chegou ao Hospital

Artigo de opinião: DR. RODRIGO MASINI DE MELO


DR. RODRIGO MASINI DE MELO
CEO||DATA SCIENTIST||PROJECT MANAGER, IBusinessHealth

A plataforma Google, oferece, dentre outros tantos serviços, um blog que apresenta conteúdos de pesquisa em Inteligência Artificial(IA) chamado de AI Google (disponibilizado no site aigoogle.com). Os trabalhos são desenvolvidos por pesquisadores, que mostram seus resultados das aplicações dos modelos de IA em diversas áreas. Na área de saúde, considerada uma das 5 indústrias que mais estão sofrendo impacto da IA, podemos encontrar “papers” bem interessantes.

Vou compartilhar um deles como um exemplo das capacidades e benefícios que esta tecnologia está trazendo para a área de saúde. Num destes trabalhos, buscou-se aplicar a técnica de deep learning em registros eletrônicos de saúde(RES) na tentativa de predizer de forma acurada e escalável desfechos de pacientes hospitalares. Deep Learning é um ramo de aprendizado de máquina baseado em um conjunto de algoritmos que tentam modelar abstrações de alto nível de dados usando um grafo profundo com várias camadas de processamento, compostas de várias transformações lineares e não lineares.

O benefício imediato deste trabalho fica evidente, pois através dele somos capazes de impulsionar medicamentos personalizados e melhorar a qualidade da assistência médica. A construção de modelos estatísticos preditivos, como que o deep learning faz, geralmente exige a extração de variáveis preditivas dos RES, um processo trabalhoso que descarta a grande maioria das informações no registro de cada paciente. Neste estudo, os pesquisadores proporam uma representação de todos os registros RES brutos dos pacientes com base no formato FHIR (Fast Healthcare Interoperability Resources).

Assim, foram capazes de demonstrar que os métodos de deep learning que usam essa representação são capazes de prever com precisão vários eventos médicos de vários centros, sem harmonização de dados específica do local. A abordagem foi validade usando RES desidentificados de dois centros médicos acadêmicos dos EUA com 216.221 pacientes adultos internados por pelo menos 24 horas.

No formato seqüencial que proporam, esse volume de dados de RES desenrolou-se em um total de 46.864.534.945 pontos de dados, incluindo notas clínicas. Os modelos de aprendizado profundo alcançaram alta precisão em tarefas como prever: mortalidade hospitalar (AUROC nos locais 0,93-0,94), readmissão não planejada em 30 dias (AUROC 0,75-0,76), tempo prolongado de permanência (AUROC 0,85-0,86) e todos dos diagnósticos de alta final de um paciente (AUROC 0,90).

Esses modelos superaram os modelos preditivos tradicionais de última geração em todos os casos. Detalhe, A AUROC mostra o quão bom o modelo criado pode distinguir entre duas coisas (já que é utilizado para classificação). Também, os pesquisadores foram capazes de apresentar um estudo de caso de um sistema de atribuição de redes neurais, que ilustra como os médicos podem obter alguma transparência nas previsões.

Acredito que essa abordagem pode ser usada para criar previsões precisas e escalonáveis para uma variedade de cenários clínicos, com explicações que destacam diretamente as evidências no prontuário do paciente. São novos horizontes que a AI está trazendo para dentro da saúde.