julho 10

Inteligência Artificial no Diagnóstico por Imagem

2  cOMENTÁRIOS

Inteligência Artificial - julho 10, 2020 by  Giancarlo2

Bem vindos! Essa é a primeira postagem no blog da Grifolabs e devo dizer, pessoalmente, que tenho um sincero orgulho de estar nesse time! Vamos apresentar temas que estamos pensando e o porquê estamos pensando. Falaremos principalmente, mas não somente, de hot topics em HealthTech.

Hoje quem escreve sou eu, Giancarlo. Começo escrevendo por um tema que é parte da minha realidade profissional enquanto médico radiologista o que me ajuda a compreender melhor os benefícios e percalços que esse assunto traz à tona. Vamos falar hoje sobre inteligência artificial em diagnóstico por imagem.

Questionamentos sobre AI

Durante muito tempo dois questionamentos foram (e ainda são) recorrentes quando se fala em inteligência artificial (AI) em diagnóstico por imagem. O primeiro é se a AI já está pronta para o uso cotidiano e o segundo, muito mais falado e despertando temores, se ela vai aposentar radiologistas.

As respostas a essas perguntas parecem ser sim e não, respectivamente.

O sim da primeira resposta, embora sólido e real, é um sim justificado por uma AI nos seus primeiros passos no diagnóstico por imagem.

O não da segunda resposta também parece ser assertivo e definitivo. Vale porém o adendo que o auxílio e a aceleração dos processos de laudo proporcionados pela AI deve ter impacto substancial na produtividade do radiologista. Guardem essa informação pois em breve voltaremos a ela.

Ainda sobre o não da segunda resposta há questões de cunho legal quanto à AI que favorecem a contínua necessidade do radiologista. Na prática radiológica habitual, se um radiologista comete um erro, a liability deste erro recai especialmente sobre ele. Imaginem então uma situação hipotética onde todos os laudos sejam feitos por AI, sem radiologistas. Quem deveria validar as informações fornecidas pelos algoritmos? Sabemos que algoritmos não são perfeitos e podem errar e, em caso de erros (que fatalmente acontecerão), sobre quem recairá a liability?  Mais importante, quem reconheceria esse erro e impediria que más decisões terapêuticas sejam tomadas em prejuízo dos pacientes?

Essas questões entre outras parecem boas razões para acreditarmos não na substituição do radiologista pela AI e sim na incorporação da AI ao seu fluxo de trabalho.

Rótulos não fazem sentido

Um ponto interessante quando pensamos na implementação da AI em diagnóstico por imagem é o “rótulo” de AI que habitualmente damos a esse processo. Na verdade, é mais provável que passemos a ver a AI mais como uma facilidade adicional, desprendida de rótulos. Isso já acontece quando assistimos uma plataforma de streaming como a Netflix, quando algoritmos selecionam sugestões do que assistirmos baseados no que vimos anteriormente somado ao que perfis similares de usuários assistem. Poucos pensam nesse recurso como uma solução de AI e veem aí apenas um recurso prático e conveniente.

Crédito: https://katenasser.com/people-skills-learning-why-label-people-stop/

Aplicações da AI em diagnóstico por imagem

Falemos agora um pouco sobre o que podemos esperar da AI em diagnóstico por imagem. Importante lembrar que vamos falar do que já é realidade ou está próximo de ser, mas outros usos e ideias disruptivas podem surgir a qualquer momento.

Uma das principais aplicações da AI no contexto de diagnóstico por imagem é possibilitar aos radiologistas diagnósticos com maior acurácia, segurança e entregando mais valor, permitindo ainda aumentos na produtividade desses profissionais. Vamos entender melhor esses pontos em seguida.

Radiologistas sobrecarregados

Há não muito tempo, em 2015, um estudo da Academic Radiology apontou que um radiologista deve ler em média uma imagem a cada 3 ou 4 segundos para manter sua rotina de trabalho em dia, sem atrasá-la. Há consenso que essa carga de trabalho vem aumentando consistentemente, em descompasso com o aumento no número de radiologistas. Assim, temos razões para acreditar que esses 3 ou 4 segundos já devem ter diminuído, ou foi necessário um aumento de horas trabalhadas ou ainda que as rotinas de trabalho estejam atrasadas. Mais provavelmente um misto destes três fatores em maior ou menor grau é o que acontece na maioria dos casos.

Burnout…

Essa pode ser uma boa explicação para os números preocupantes de burnout observados em radiologistas em vários países (perto da metade, de acordo com uma pesquisa da Medscape). Voltando agora ao que falamos anteriormente sobre AI auxiliar na produtividade de radiologistas, ferramentas de AI podem atuar como um segundo radiologista lendo exames, sugerindo diagnósticos e ajudando a priorizar estudos mais urgentes. Tudo isso deve contribuir para rotinas de trabalho mais produtivas, porém com maior sensação de segurança para radiologistas, diminuindo o stress, ajudando a reduzir o burnout e ao mesmo tempo aumentando a produtividade desses profissionais, auxiliando a lidar com volumes crescentes de exames para laudo.

crédito: https://www.valuemedic.com.ng/2019/06/26/the-best-ways-to-reduce-stress-and-burnout-in-radiology-practice/

Sistemas de saúde em desequilíbrio financeiro

Em paralelo, sistemas de saúde no Brasil e no mundo vivem um contexto de gastos de saúde crescentes de forma insustentável, de modo que caminhamos para a necessidade  de implantar, em maior ou menor grau, conceitos de medicina baseada em valor / outcome, buscando aumentar o valor entregue ao paciente em sua jornada e melhorar os resultados dessa jornada. Se a AI pode ajudar na entrega de laudos de imagem com mais valor de forma mais horizontalizada, também estará auxiliando nessa questão mais ampla de revisão da eficiência e viabilidade dos sistemas de saúde.

Essa entrega de valor nos laudos de forma mais horizontal pode ser exemplificada por um estudo de 2019, que apontou níveis de identificação de tumores malignos em mamografias por AI superior ao de médicos generalistas / não especialistas na área, embora inferior ao de especialistas. Embora outros estudos que validem esses achados sejam necessários, a conclusão inicial é que algoritmos de AI podem elevar a qualidade média geral do laudo radiológico realizado por generalistas / não especialistas da área. 

Entregando mais valor

Outro exemplo bastante interessante sobre como a AI pode aumentar a entrega de valor no laudo radiológico vem deste artigo de 2020, onde um algoritmo quantifica o grau de comprometimento pulmonar em DPOC (doença pulmonar obstrutiva crônica) em tomografias de tórax, com boa correlação com as provas de função pulmonar. Essa quantificação por tomografia atualmente consome um tempo significativo dos radiologistas, tem variações inter observadores expressivas e falta consenso. Utilizando um algoritmo como esse o radiologista estará habilitado, ao abrir o exame e constatar a DPOC, a já receber essa quantificação e oferecer um laudo com maior valor e reprodutibilidade, capaz de melhorar a jornada desse paciente e tornar mais eficiente seu tratamento.

Ainda pensando no aumento de valor que a AI pode embutir nos laudos, podemos ver o exemplo desse algoritmo, que ajuda a graduar um tipo de tumor cerebral, o glioma, com quase 98% de acurácia. Os tratamentos e prognósticos mudam conforme o grau e esse algoritmo pode ser uma boa ferramenta para garantir o tratamento mais eficiente a adequado aos pacientes, especialmente quando o laudo desses exames estiver em mãos de radiologistas não especialistas ou com menos experiência.

Em tempos de pandemia, seria pouco provável que aplicações de AI relacionadas não fossem desenvolvidas. Essa, em uso em uma universidade da Califórnia, busca identificar padrões de pneumonia viral auxiliando na identificação de pacientes contaminados. Na Lombardia, um dos locais mais devastados pelo novo corona vírus na Itália, também foram feitos estudos promissores com algoritmos buscando identificar padrões de pneumonia viral.

Crédito: http://pricing-news.com/dont-wait-until-product-launch-to-price-your-product-siriusdecisions/

Ajudando a escolher procedimentos mais eficientes

As aplicações acima já são ótimos motivos para disseminar a AI no diagnóstico por imagem mas há ainda mais. Algoritmos de deep learning, uma das formas de AI, podem auxiliar na seleção de procedimentos diagnósticos com maior chance de eficiência baseado nos registros de EMR (prontuários eletrônicos) de um paciente individual e de outros pacientes com perfil similar, valendo-se de uma análise multiparamétrica de dados, complexa para a mente humana desassistida de AI.

Essa possibilidade atua em sinergia com os princípios da medicina de precisão, aumentando a velocidade e assertividade do diagnóstico, reduzindo o intervalo de tempo até o diagnóstico correto e melhor equacionando o uso de recursos.

Já podemos usar?

O uso da AI em diagnóstico por imagem é um tema em ebulição em múltiplos centros espalhados pelo mundo, com muitos algoritmos em fase de pesquisas mas outros tantos já validados para uso clínico pelo FDA. Algoritmos para identificação de sangramentos intracranianos, detecção de fraturas vertebrais e costais, nódulos pulmonares suspeitos de malignidade, tromboembolismo pulmonar e para redução de dose de radiação durante exames de tomografia computadorizada estão entre alguns dos algoritmos já aprovados para uso clínico pelo FDA.

Tudo o que vimos até agora aponta para a inevitabilidade e, mais que isso, da necessidade do uso de AI no diagnóstico por imagem.

Os espinhos…

Porém, como tudo o que é novo, há dores relacionadas à implantação da AI, assim como outros problemas que chegam com ela. São pedras no caminho, seguramente, mas não são motivos para descartar o uso da AI, assim como a necessidade de estradas para veículos automotores não foi motivo para o não desenvolvimento destes veículos e a existência de vírus de computadores não foi razão para o não desenvolvimento da internet.

Não raro a integração desses algoritmos aos sistemas RIS/PACS  de clínicas e hospitais é complicada e pode inviabilizar seu uso. Por essa razão o Royal College of Radiology do Reino Unido publicou neste ano guidelines para o seu uso na radiologia. Muito em linha com essa dificuldade, a integração de algoritmos é o primeiro tópico desses guidelines.

Um risco potencial preocupante da AI, por enquanto sem exemplos reais no mundo, é a possibilidade de hackers introduzirem pseudolesões via GANs (generative adversarial networks), um algoritmo que pode simular lesões que não existem e “apagar” lesões existentes das imagens. GANs, poderiam, por exemplo, “incluir” tumores cerebrais nas imagens de cérebros normais ou “apagar / camuflar” tumores reais das imagens de um cérebro. É um assunto preocupante e mais sobre esse tema pode ser lido nesse artigo de 2020.

Embora ainda não tenhamos falado nisso, algoritmos de AI também têm sido usados para reconstruir imagens radiológicas. Contudo, há chance dessa reconstrução não estar sendo feita de modo adequado, como sugere esse estudo também de 2020, com possíveis erros de interpretação desses exames por conta de reconstruções inadequadas.

Sintetizando…

Resumindo, falamos sobre algumas aplicações e vantagens da AI no diagnóstico por imagem assim como de temores e desconfiança dos radiologistas despertados por ela. Falamos também de problemas e espinhos relacionados ao seu uso.

A história da AI em diagnóstico por imagem é uma história inacabada, longe do seu fim, que vem sendo escrita a cada dia por muitas mãos em muitos centros mundo afora e é impossível prever com total exatidão os rumos que tomará, mas a essência do horizonte deste momento abordamos nesse post.

Nós da Grifolabs queremos ser uma das mãos que escrevem essa história e atualizaremos esse texto conforme nossas mãos ou outras redesenhem a história da AI na medicina. Até a próxima!


Deixe seu comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com

  1. Assunto provocante essa Inteligência Artificial. Processo inacabado, como adverte o texto, demandando avanço nas pesquisas. Mas os espinhos sempre acompanharam os inventos e trabalho humanos. Não serão os hackers a impedirem o avanço e efetivo aproveitamento dessa que poderá vir a ser a melhor, uma exponencial ferramenta, a Inteligência Artificial, nas várias áreas de atuação humana e, claro, também na medicina, especificamente na radiologia. A produtividade, a uniformidade, a possibilidade de sugerir diagnósticos e, talvez, procedimentos, a acuidade além da possível ao olho humano, capaz de acusar pequenos tumores ainda não convencionalmente detectáveis, entre outras possibilidades, são recursos que compensam amplamente os espinhos a serem vencidos e a ameaça de hakers, contra os quais a tecnologia não sonegará, logo, armas que os imobilizem. Quando pensamos numa ressonância magnética captando imagens, a serem analisadas pela elemento humano com a poderosa ferramenta da inteligência artificial, somos levados a crer estarmos já assistindo à prática de uma medicina de precisão, ou próximo disso, ao menos na medicina diagnóstica. Devem desvanecerem-se os receios da substituição do homem pela tecnologia, ao menos na área da medicina, eis que, como lembrado pelo autor, a responsabilização legal somente pode recair sobre pessoa, cívil ou criminalmente. E a Inteligência Artificial, não obstante a super ferramenta que poderá vir a ser, aínda assim estará sujeita a erros pelos quais não tem capacidade jurídica para responder. Que esse maravilhoso mundo da tecnologia continue produzindo instrumentos que subsidiem a atividade humana, em especial na medicina.

  2. INTELIGÊNCIA ARTIFICIAL, um mundo fascinante e um horizonte de múltiplas criações que muito acrescentarao aos diversos campos da atividade humana,em especial, da medicina radiológica.
    Rico e instrutivo texto.

{"email":"Email address invalid","url":"Website address invalid","required":"Required field missing"}

CONTINUE LENDO:

julho 10, 2020