Machine Learning na saúde: conheça algumas aplicações

12 min. de leitura

machine learning na saúde

O acelerado desenvolvimento tecnológico impacta em diversos campos de estudo e atividade profissional, que encontram na tecnologia formas de reinventar seus processos e repensar conceitos. Com a saúde não é diferente. O uso de Inteligência Artificial e Machine Learning são um exemplo dessas mudanças. Neste artigo você vai ler sobre as principais aplicações de Machine Learning na saúde e como a tecnologia vem transformando a medicina.

O que é Machine Learning?

Machine Learning, traduzido como aprendizagem de máquina, é um subgrupo inserido no campo da Inteligência Artificial, sendo esta uma tecnologia e área de estudo mais ampla. 

Enquanto a Inteligência Artificial abrange todos os processos e resultados da engenharia envolvida na produção de uma máquina ou programa que possibilite imitar a inteligência humana, o Machine Learning diz respeito à habilidade dessa máquina de aprender “sozinha”, analisando bancos de dados independentemente da sua programação inicial.

Os modelos gerados através de ML conseguem reconhecer padrões nos dados aos quais são expostos e, a partir disso, são capazes de melhorar o seu próprio desempenho.

De modo geral, os algoritmos de Machine Learning podem ser divididos em três categorias principais: ML supervisionado, ML não supervisionado e aprendizado por reforço. Como o nome sugere, algoritmos supervisionados são conduzidos por um cientista de dados que possui um objetivo, espera um resultado específico e auxilia no processo de aprendizagem. No caso do processo não supervisionado, não existe uma condução constante por parte do cientista e o processo ocorre de maneira mais independente, sem um propósito ou resultado particular em vista. Já o aprendizado é o ensino que leva em conta a experiência, onde a máquina vai aprender de acordo com o que ela já errou anteriormente, buscando uma melhor performance. 

Nesse contexto, existe uma série de abordagens possíveis. Entre as mais conhecidas está o deep learning. Trata-se de um processo inserido no guarda-chuva do Machine Learning e que trabalha com redes neurais. Aqui os algoritmos são construídos em uma estrutura semelhante ao funcionamento dos neurônios do cérebro humano e uma quantia enorme de dados são analisados por essas redes artificiais que dão conta de problemas complexos.

Aplicações de Machine Learning na saúde

A tecnologia que envolve os processos de ML está em rápido desenvolvimento e o horizonte de aplicações possíveis é muito vasto. Ainda assim, ela já nos cerca enquanto realizamos inúmeras atividades cotidianas.

Mecanismos de recomendação talvez sejam o exemplo mais evidente. Ao navegar pela internet ou por um aplicativo específico, algoritmos leem os seus dados de navegação para prever a probabilidade de que você realize uma compra ou dê play em determinado conteúdo. Trata-se de uma poderosa ferramenta de publicidade e experiência do usuário que ganha cada vez mais investimento por parte de grandes empresas. 

O uso de Machine Learning na saúde é igualmente revolucionário. Ele é um exemplo de aplicação de Tecnologias da Informação e Comunicação (TICs) em atividades da medicina e enfermagem, processo conhecido atualmente pelo conceito de saúde digital.

Confira abaixo algumas aplicações possíveis de Machine Learning na saúde e como os modelos de algoritmo podem ajudar médicos, enfermeiros e, sobretudo, pacientes.

22 tendências da telemedicina para 2022

1. Predição de doenças e suporte para diagnósticos

Uma das principais aplicações de Machine Learning na saúde está no suporte que o algoritmo representa ao médico no momento de interpretar um exame e dar um diagnóstico.

Através da IA, é possível processar uma grande quantidade de dados em um curto período de tempo. Ao alimentar um algoritmo com resultados de eletrocardiogramas, eletroencefalogramas, tomografias, entre outros exames, a ferramenta aprende a identificar padrões e interpretar esses documentos. Além disso, ao cruzar esses resultados com outras informações como sinais vitais e histórico de saúde do paciente, as máquinas são capazes de prever o surgimento de doenças com uma eficácia significativa.

Isso representa uma economia de tempo para os médicos além de um suporte tecnológico que garante mais segurança e autonomia para o seu trabalho.

Um estudo realizado em 2017 analisou dados de 6.457 nascimentos ocorridos no estado de Illinois, nos Estados Unidos. O objetivo era desenvolver e medir a performance de 4 tipos de algoritmos de Machine Learning que seriam capazes de prever complicações no parto, como bebês prematuros e com baixo peso, além da possibilidade de morte no primeiro ano. Analisando o histórico das gestantes em questão, seria possível identificar quais deveriam ser assistidas por um programa especial de acompanhamento.

Os algoritmos foram capazes de melhorar em 36% a identificação de uma gravidez de risco em relação à estratégia utilizada até aquele período. De acordo com o estudo, com o uso dos algoritmos seria possível identificar, por ano, entre 100 a 170 gestantes a mais com gravidez de risco e que precisam de acompanhamento especial.

Em 2020, a Portal Telemedicina desenvolveu algoritmos de IA baseados em Machine Learning para identificar casos de covid-19 em raios-x e tomografia. O modelo é capaz de detectar alterações relacionadas à pneumonia e Covid-19 com 95% de acurácia, fazendo uma triagem de casos alterados e priorizando estes exames na fila.

Saiba mais sobre a solução desenvolvida pela Portal

2. Apoio na gestão de saúde populacional

Os dois exemplos citados acima apontam para outro grande potencial do Machine Learning na saúde e que vai além do tratamento a nível individual: a gestão de saúde de uma população. 

Nesse contexto, a tecnologia é uma grande aliada da medicina preventiva. Gestores de saúde precisam constantemente tomar decisões acerca da disponibilização de serviços de saúde e de ações preventivas, levando em conta questões como gravidade das enfermidades e custo-benefício de cada medida.

Com a pandemia de Covid-19, o mundo tem a noção ainda mais clara sobre a importância de entender a fundo as dinâmicas de contágio e aprimorar os mecanismos de vigilância epidemiológica. Com o uso de algoritmos que cruzam dados de diversas fontes, é possível, por exemplo, identificar pessoas recém infectadas e barrar a transmissão em uma determinada área.

Em 2020, a Portal Telemedicina e a Secretaria de Saúde do Estado de São Paulo iniciaram uma parceria para integração das bases de dados do estado. Informações como estoque de medicamentos, ações judiciais e estado de saúde dos pacientes são lidas por algoritmos e transformadas em painéis gerenciais que permitem uma gestão mais eficiente tanto da saúde dos habitantes quanto dos recursos públicos.

3. Automatização de tarefas administrativas

Segundo dados da Insider Intelligence, cerca de 30% dos custos relativos aos cuidados de saúde estão associados a tarefas administrativas. Ferramentas como o prontuário eletrônico e a digitalização de outros documentos e processos já representaram um grande avanço para a área. Mas isso não é tudo. 

Entre os benefícios de integrar a Inteligência Artificial e algoritmos de Machine Learning ao ecossistema de saúde digital, está a redução do tempo e custo no manuseio dos dados de pacientes. Autorização automática de seguros, acompanhamento de débitos e manutenção de cadastros são algumas das tarefas que podem ser otimizadas com a tecnologia, poupando tempo dos profissionais e recursos das unidades de saúde.

Machine Learning na saúde: as máquinas vão substituir os médicos?

Uma preocupação comum acerca dos avanços tecnológicos em inúmeras áreas profissionais diz respeito à substituição da força de trabalho humana pelas máquinas. É possível que a Inteligência Artificial vá substituir o médico?

Não há dúvida sobre a transformação profunda que tecnologias como IA e Machine Learning estão promovendo na medicina. E esse caminho não tem volta. Porém, a substituição total do médico pelos algoritmos não é viável (o que não quer dizer que profissionais desatualizados sobre o funcionamento dessas ferramentas não possam acabar ficando para trás). O que o futuro reserva para a classe é, muito mais, uma atuação colaborativa.

No próprio processo de programação de modelos de Inteligência Artificial, é necessária a presença de médicos especialistas na equipe. O engenheiro de dados não possui conhecimento, por exemplo, sobre a qualidade de um exame de eletrocardiograma. Nesse caso, um cardiologista realiza essa distinção para que, então, o engenheiro possa trabalhar no modelo de ML. Além disso, todos os níveis de validação para conferir a qualidade de operação da IA exigem a presença de especialistas.

Por fim, essa atuação em conjunto entre máquinas e profissionais da saúde tem um objetivo bem claro em vista. Um estudo de 2014 feito por pesquisadores da Baylor College of Medicine, no Texas, identificou uma taxa de erro de diagnóstico nos Estados Unidos de 5,08%, ou 12 milhões de adultos, por ano. Seja pela especialização que dificulta a observação do todo ou simplesmente pela natureza humana do médico, erros e diagnósticos imprecisos acontecem. No entanto, reduzir essa incidência é um desafio que encontra resposta na saúde digital, onde profissionais e máquinas trabalham em conjunto para elevar os cuidados com a saúde das pessoas ao próximo patamar.

Referências

Singh H, Meyer AND, Thomas EJ. The frequency of diagnostic errors in outpatient care: estimations from three large observational studies involving US adult populations. BMJ Quality & Safety, 2014.

SCHMIDT, M. I.; DUNCAN, B. B. Epidemiologia clínica e medicina baseada em evidências. In: ROUQUAYROL, M. Z; ALMEIDA FILHO, N. DE. Epidemiologia & Saúde. 6. ed., 2003.

SANTOS, Hellen Geremias dos. Comparação da performance de algoritmos de machine learning para a análise preditiva em saúde pública e medicina. 2018. Tese (Doutorado em Epidemiologia) – Faculdade de Saúde Pública, Universidade de São Paulo, São Paulo, 2018.

Pan I, Nolan LB, Brown RR, Khan R, van der Boor P, Harris DG, Ghani R. Machine Learning for Social Services: A Study of Prenatal Case Management in Illinois. Am J Public Health, 2017.