O cenário disruptivo do impacto da inteligência artificial na saúde

Transformação digital na saúde passa pela inteligência artificial

A medicina trilhou um caminho que pode ser questionado em sua efetividade ao focar na doença, ao menos até os dias atuais.  Por que?  Porque o médico entra no processo de “curar”, após a doença se manifestar, ou, quando mais cedo, no diagnóstico de uma situação que pode já ter se instaurado ou não, sempre ocorrendo desde que procurado pelo paciente.   Após o diagnóstico o fato já pode ter ocorrido, o câncer já se instalou, a dor já se manifestou, enfim, o tempo começa a correr contra o processo. Tudo ainda depende do paciente se “apresentar” e declarar seus sintomas, seja para uma consulta ou direto no pronto socorro.

Culpa dos médicos, instituições de saúde ou da formação educacional? Não necessariamente.  Apesar do sistema de mecanismo de pagamento ter sido um “culpado” com o modelo “fee for service” que pagava por doença, por “horas” dedicadas, em contraponto à tendência atual/futura de “fee for results” que paga por resultados.  Se podemos achar um culpado principal no “velho modelo”, seria a informação. Não havia condições de disponibilizar informações suficientes, de qualidade, o tempo todo, dos resultados obtidos ou do dia a dia dos pacientes e nem condições tecnológicas de colocar tudo isto (um big data) para ser lido ou entendido por humanos. Assim era e assim não ficará.

Uma visão do que foi descrito acima está nesta imagem abaixo (Li et. al, 2016) que sugere que a informação deva ser disponibilizada o mais cedo possível para que se consiga realizar predições que possam ajudar na redução de riscos da doença, ou mesmo no diagnóstico precoce.  Abre-se assim um imenso campo de atuação do médico no período pré-doença, que somado a pacientes mais conscientes e dados sendo gerados fora dos consultórios, podemos conseguir que a medicina mude muito, e para melhor.

Como era… O “paciente” só vai ao médico quando precisa, ou manutenções importantes de forma temporal para checagem. Estas manutenções são o mais próximo de uma tentativa de predizer um futuro problema. Ao comparecer nas consultas o médico vai anotando indicadores em seu prontuário e avaliando melhoria ou piora em quadros da saúde do paciente, daí direcionando ações para que nada de pior venha a ocorrer.

O estado atual segundo Dr Li e Topol:

• O diagnóstico médico no mundo erra em cerca de 20% dos casos, e para Eric Topol, apenas nos EUA, haviam 12 milhões de erros de diagnóstico por ano
• As prescrições são ONE-SIZE-FIT-ALL, ou seja, o mesmo tratamento para todos, o mesmo protocolo
• Poucos dados do paciente, temporais, incompletos, básicos
• Pouco ou nada sobre genoma, ambiente em que se vive, comportamento do paciente no dia a dia.

Um cenário “futuro” envolve a coleta de muitas variáveis, dados, que serão tratados pela inteligência artificial e não por enfermeiros ou médicos diretamente, sendo armazenados nos registros dos sistemas de IHR – Individual Health Records ou EHR – Eletronic Health Records, somados aos dados do EMR – Eletronic Medical Records, os prontuários eletrônicos. Desde o nascimento informações de genoma, de exposição a ambientes, de comportamento podem ser colhidas para melhor diagnóstico e predição de doenças, não mais tratamento delas apenas, mas predição, precaução, busca de alternativas para que a doença não surja e, caso ocorra, serão tratadas naturalmente com toda tecnologia e  protocolos existentes, se possível  numa prescrição personalizada (ou no mínimo para grupos específicos) e não mais genericamente. Focou-se muito no Fenotipo conforme figura abaixo (Li et. al, 2016), nos exames, nas consultas, nas medicações tomadas, nos procedimentos padrões, nas experiências próprias de cada médico.   

Um protocolo para alguém de 10 anos é diferente de alguém de 80 anos. Alguém que fuma e bebe o dia todo difere de alguém de mesma idade com hábitos saudáveis, mesmo que seja a mesma doença. Protocolos que funcionavam há 2 anos já deveriam ser reavaliados?  Sim, poderiam e deveriam.  Estamos em constante mudança, e aquilo que funcionou para parte da população pode já estar perdendo para outras técnicas.  Modelos de Machine Learning são assim, a cada fase há de se avaliar a acurácia e outros indicadores para definir se deve-se mudar o algoritmo, se existe forma mais assertiva, sempre trabalhando para o melhor resultado possível.

Abaixo uma visão de um processo modelo que inicia com dados, de todos os aspectos possíveis, que são então tratados, diversos algoritmos testados e o modelo final sempre revisado.

A própria tecnologia tem ajudado na melhoria do diagnóstico, tanto para os humanos como para a IA, principalmente na radiologia, onde as imagens melhoraram sensivelmente e possibilitam cada vez mais uma visão precisa, como pode ser verificado nesta imagem abaixo que compara o que se tinha para tomada de decisão em 1974 aos dias atuais:

Um autor dos mais renomados sobre o assunto, Eric Topol, em seu livro Deep medicine apresenta 3 componentes (3 deeps…) para a mudança da saúde e entrada da IA:

1. Capacidade de entender profundamente (Deep) cada indivíduo usando todos dados relevantes
2. Deep Learning – Big data e reconhecimento de padrões
3. Deep empatia e conexão entre médico e paciente

Uma mudança necessária e urgente para tirar o médico e o paciente da situação em que se encontram, conforme Eric Topol em seu livro:

• Consultas rápidas (7 a 15 min) – nos EUA
• Médicos com burnout
• Poucos dados para tomada de decisão
• Perde-se muito tempo anotando prontuário
• Foco na doença e não na saúde

A chave da saúde é a detecção precoce, a prevenção e predição, junto ao tratamento personalizado e esse tratamento deve ser de maior precisão possível.  Estão aqui 4 P´s da nova saúde: Prevenção, Predição, Precisão e Personalização. Podemos inserir mais um, a Participação, formando assim 5 P´s.

Após a predição haverá ganhos na prescrição de um tratamento “personalizado”, remédios e suas dosagem serão diferentes conforme as variáveis disponíveis, os biomarcadores, os dados.  Busca-se melhor efetividade no tratamento e menos efeitos colaterais.

Como isto é possível?  Através de dados (Data driven). Com dados e padrões a inteligência artificial (IA) poderá identificar melhores dosagens, remédios para aquele perfil de paciente. Não apenas na cura, mas também nas indicações de modo de vida, alimentação, saúde mental, etc.  A maior dificuldade consiste na inexistência ou grande dificuldade em obter dados de forma robusta, quantidade…, qualidade…, e pela vida toda.  Tais dados são difíceis na saúde, questões éticas, de privacidade, são exigidas e dificultam o acesso ao dado. Da mesma forma a anotação médica nem sempre é boa para registros computacionais, em geral campos abertos em prontuários, grande maioria dos registros do passado ainda no papel e alguns em sistemas que não falam entre si. Mas até em casos como esse a inteligência artificial pode ajudar, através de técnicas de processamento de linguagem natural a IA consegue retirar dados de campos não estruturados.

Estudos também demonstram que cerca de 30% a 60% dos pacientes não aderem aos tratamentos, principalmente se de longo prazo. A OMS – Organização Mundial da Saúde considera em torno de 50% esta taxa , em países desenvolvidos.  Afinal, como o médico cuidará bem se o paciente não volta ou não retorna com informações?  ou volta em 6 meses, 1 ano?  Como o médico saberá se as variáveis do paciente estão piorando (antes de uma crise que o faça voltar ao consultório)?  Gadgets, IoT e sistemas de saúde em real time são o caminho. Recentemente a telemedicina entrou em nossas vidas para ajudar no contato médico-paciente. Mas precisamos aqui inverter a ótica. Não é somente o médico, mas o paciente que tem o dever de cuidar continuamente de sua saúde. O médico entra no circuito nos momentos necessários. Esse cenário abre espaço para um novo tipo de profissional, o nome não é o importante aqui, mas surge o “analisador de saúde individual”, que em parceria com a IA, receberá informações que ajudem a manter a saúde do indivíduo no dia a dia, não a cada ano ou retorno, mas sempre que variáveis saírem do ideal.  Com o tempo o próprio paciente e a IA andarão possivelmente bem sozinhos, com aprendizado, mas sempre haverá o médico e outros perfis como este acima citado. A IA é parte do processo.

O médico, enfermeiro e outros profissionais da saúde vão ajudar na curadoria da inteligência artificial que receberá uma massa gigantesca de dados dos pacientes, transformará em informação e a própria IA tomará decisões básicas junto ao paciente, reportando ao médico que terá seu conhecimento aumentado no processo, ajustando quando necessário os sistemas especialistas e atuando sempre junto ao paciente com sua visão empática, pessoal, com afeto e sabedoria, mas também, reforçado de muita informação e apoio de sistemas inteligentes que darão a ele a condição de agir dia a dia no contato, no cuidado e na predição e prescrição de um tratamento personalizado.

Nesse formato de parceria, médico, máquina (IA) e paciente são protagonistas no processo de Saúde. Claro, complementando com as instituições de saúde e planos de saúde que também fazem parte, ao serem possíveis “proprietários” de sistemas de controle com IA e, em vários casos, contratantes dos médicos e profissionais de saúde.

Entrando um pouco na área técnica, para explicar a atuação da IA na figura acima, existem alguns modelos de Machine Learning – Supervisionado, Não supervisionado e por Reforço (Reinforcement learning). Esse último se destaca por trazer uma visão de “OBJETIVOS”, possibilitando aos algoritmos alcançarem rapidamente os melhores caminhos (estratégias ótimas) para tratamentos, por exemplo. Pode ser usado também na avaliação da decisão médica, à medida que os pacientes são tratados o sistema computa os resultados gerando reforços positivos com melhora do tratamento e negativo com a piora de quadros de condições dos pacientes.  Quase uma gamificação do processo mas não se comparando aos games. Na saúde não há brincadeira, envolvem vidas, e o que chamamos de “gamificação” consiste simplesmente no processo semelhante ao treinamento de games. Por esta dificuldade em se poder “testar”, deixar a IA errar e aprender, temos um aspecto retardador do processo de treinamento destas redes neurais/modelos.

As técnicas mais modernas de redes neurais, Deep Learning, estão assumindo especial destaque na inteligência artificial atualmente. Possuem maior custo (máquina, tempo) de treinamento das redes, são pesadas em sua fase inicial, treino e testes, mas muito rápidas na execução, possibilitando respostas rápidas quando exigido. De processamento de linguagem natural (NLP) a reconhecimento de imagens, as redes neurais profundas estão se destacando.  As primeiras podem ser usadas nas transcrições médicas de voz para texto, ou leitura de prontuários para estruturação de dados. Já a segunda (imagens) no reconhecimento de doenças em radiografias, tomografias, etc. Neste último aspecto as redes neurais convolucionais, CNN, estão se destacando fortemente.

O maior “problema” da área com Deep Learning está na sua dificuldade, ou impossibilidade, de explicação do resultado. Diferentemente de técnicas de Machine Learning, que possibilitam melhor entendimento do porque se chegou a um devido resultado, as rede neurais podem ter seu resultado questionado pela simples não explicabilidade. Há de se dosar a necessidade desta explicação (claramente entendido devido a vieses possíveis nos dados, questões éticas, necessidade do paciente saber o motivo, riscos de erros, etc.) em contraposição ao resultado obtido.  Se a rede demonstra sucesso em, por exemplo, 95% dos casos já realizados, por que deveria ser questionada ou deixada de lado? Afinal, se o médico erra também, e muito como mostramos acima, o que seria ideal?

A inteligência artificial poderá ter papel significativo em casos como:

• Bots de interação com paciente – Enfermeiros virtuais
• Na radiologia e diagnóstico de imagens
• Classificação de estado de saúde com base em diversas informações
• Predição de estado futuro
• Classificação de melhor tratamento baseado no perfil
• Análise de informação de DNA para predição de doenças
• Monitoramento ativo de indicadores de saúde
• Criação de novas drogas
• E muito mais…

Sobre uma velha grande preocupação da área, que espero já tenha passado, mas que persiste em alguns, a perda de empregos por robôs, segue na figura abaixo uma visão interessante sobre as especialidades da medicina hoje:

Claramente existem áreas com maior impacto da tecnologia do que outras. Existem aplicações muito avançadas de IA na Radiologia, Dermatologia, Cardiologia… Em um futuro próximo estes profissionais serão demandados somente na necessidade mesmo, posto que os aplicativos/sistemas farão boa parte do trabalho “braçal” com maestria. Isto não elimina os profissionais médicos, apenas os posiciona nos momentos mais importantes, conforme já comentamos acima, sempre com a parceria IA + Médico.

Temos alguns aspectos importantes a consolidarmos nas mentes de todos:

1. O médico + a IA será muito melhor que a IA sozinha ou o médico sozinho
2. Aquilo que a IA fizer melhor, aquele processo apenas, deve sim ser substituído
3. A medicina tem que mudar e o médico do “futuro” precisa ter uma ementa educacional diferente da atual em sua formação, incluindo nelas a visão Data driven, IA, bancos de dados, para citar alguns.
4. O médico que mantiver o padrão de checar agenda e atender pacientes não sobreviverá muito tempo, não pela IA, mas pela mudança ampla no sistema de saúde.

A medicina tem tantos aspectos a serem observados, não apenas os 2 eixos da figura acima. Mas sim cada um dos aspectos da figura abaixo, onde identificamos skills em que humanos se dão melhores do que máquinas (algoritmos) e vice versa.  Novamente, é a composição deste time Humano + Máquina que gerará o melhor “médico” futuro.

Em resumo entendemos que o futuro (ou presente) da saúde/medicina será:

• De foco na Doença                                      para FOCO NA SAÚDE
• De Diagnósticos tardios                               para PREDIÇÃO
• De Tratamento                                             para PREVENÇÃO
• Baseado em REMÉDIOS genéricos             para TRATAMENTO PERSONALIZADO
• De dados em ERP/PEP                                 para BIG DATA e BIOMARCADORES
• Dados lançados no consultório                     para DADOS COLHIDOS a todo TEMPO
• Lento e analógico                                         para ÁGIL, DIGITAL
• Do Planejamento organizacional                para ADAPTAÇÃO, TRANSFORMAÇÃO

Por: Sérgio Viegas – Biosis