Intelligent Healthcare: AI and Machine Learning in Diagnosis, Precision Medicine, and the Pursuit of Explainable, Trustworthy Clinical Systems

Os hospitais hoje geram uma quantidade impressionante de informações. Cada vez que um paciente entra, um registro é criado, um exame é realizado ou um teste de sangue é feito. Esses dados incluem imagens do interior do corpo, listas de medicamentos, notas escritas por médicos e até fluxos de números de monitores cardíacos. Por décadas, especialistas humanos foram os únicos capazes de analisar essas informações para encontrar padrões que sinalizam doenças ou preveem problemas de saúde futuros. Mas o volume de dados cresceu tanto que a revisão manual não é mais suficiente. É aqui que a inteligência artificial entra em cena. Estes são sistemas de computador projetados para aprender com exemplos em vez de seguir um conjunto rígido de regras. Eles podem ser treinados para reconhecer um tumor em um raio-X tal como um radiologista faria, ou para detectar uma mudança sutil no histórico de um paciente que sugira que um ataque cardíaco está por vir. A promessa é que essas ferramentas possam ajudar os médicos a enxergar com mais clareza e agir mais cedo. No entanto, a questão permanece: esses sistemas podem ser confiáveis o suficiente para serem usados em hospitais reais, onde um erro pode custar uma vida?

Uma revisão recente dos pesquisadores Ekta R. Kaneriya, Maulik K. Shah e Krishna H. Sapariya examina exatamente onde essas tecnologias se encontram hoje. Os autores não realizaram um novo experimento com pacientes; em vez disso, reuniram e analisaram centenas de estudos e relatórios existentes dos últimos anos. O objetivo deles era separar os experimentos laboratoriais que parecem bons no papel dos sistemas que foram realmente testados em ambientes médicos do mundo real. Eles analisaram cinco áreas específicas onde a inteligência artificial está sendo usada: imagem médica, prontuários eletrônicos, descoberta de fármacos, medicina de precisão e monitoramento remoto de pacientes. O que encontraram é um campo em transição. A tecnologia é inegavelmente poderosa e já mostrou que pode melhorar o diagnóstico e prever riscos melhor do que os métodos tradicionais em muitos casos. No entanto, o caminho para o uso amplo e confiável é bloqueado por obstáculos significativos, incluindo preocupações com a privacidade, a dificuldade de compreender como o computador chega às suas conclusões e o risco de que os sistemas funcionem bem para algumas pessoas, mas falhem para outras.

No campo da imagem médica, como raios-X e tomografias computadorizadas, a tecnologia fez o progresso mais visível. Os pesquisadores observaram que os sistemas de aprendizado profundo (deep learning), que são um tipo de inteligência artificial modelada após o cérebro humano, tornaram-se excepcionalmente bons em detectar doenças em imagens. Por exemplo, esses sistemas podem agora identificar câncer de mama em mamografias ou detectar tumores cerebrais com um alto grau de precisão. Durante a pandemia global, essas ferramentas foram implantadas rapidamente para ajudar a distinguir entre diferentes tipos de pneumonia em exames de tórax. Os estudos mostrem que, quando esses sistemas são testados em imagens pré-existentes cuidadosamente selecionadas, podem atingir taxas de precisão superiores a noventa e nove por cento. No entanto, a revisão destaca uma lacuna crítica. Um sistema que performa perfeitamente em um teste controlado não está necessariamente pronto para um hospital movimentado. No uso clínico real, as ferramentas mais bem-sucedidas são aquelas que mantêm um médico humano no ciclo (human-in-the-loop). O computador pode sinalizar um ponto suspeito, mas um radiologista ainda deve revisar a imagem e assinar o resultado antes que ele se torne parte do registro do paciente. Essa supervisão humana continua sendo essencial porque o computador pode ser enganado por diferenças de equipamentos ou populações de pacientes que ele nunca viu antes.

Além de imagens, a inteligência artificial também está sendo aplicada aos vastos e muitas vezes desorganizados registros do histórico do paciente, conhecidos como prontuários eletrônicos. Esses registros contêm uma mistura de resultados de laboratório, listas de medicamentos e notas manuscritas de médicos. Os pesquisadores descobriram que modelos de aprendizado de máquina podem filtrar esses dados para prever condições graves como doenças cardíacas ou sepse, uma reação potencialmente fatal à infecção. Em uma grande revisão de vinte estudos, foi demonstrado que esses modelos computacionais são melhores na identificação de pacientes em risco de doença cardíaca do que os métodos de pontuação padrão que os médicos utilizam atualmente. Da mesma forma, sistemas que monitoram constantemente os registros hospitalares podem alertar a equipe sobre os sinais precoces de sepse, potencialmente detectando a condição antes que ela se torne crítica. A tecnologia também está sendo usada para prever reações adversas a medicamentos ou para sinalizar pacientes em risco de queda. No entanto, os autores apontam que, embora esses modelos frequentemente mostrem um desempenho forte em artigos de pesquisa, eles frequentemente enfrentam dificuldades quando movidos para um hospital diferente. Um modelo treinado com dados de uma cidade pode falhar em outra porque a maneira como os médicos escrevem as notas ou o tipo de equipamento utilizado podem variar significamente. Essa falta de confiabilidade fora do ambiente de teste original é uma grande barreira para a confiança.

O impacto dessas tecnologias estende-se ao laboratório, onde estão acelerando a descoberta de novos medicamentos. O processo tradicional de encontrar um novo fármaco leva mais de uma década e custa bilhões de dólares, com a maioria dos compostos candidatos falhando ao longo do caminho. A inteligência artificial está ajudando a encurtar esse cronograma ao prever como diferentes moléculas interagem com o corpo. Os pesquisadores observaram que essas ferramentas podem projetar candidatos a fármacos inteiramente novos do zero, em vez de apenas rastrear bibliotecas existentes de produtos químicos. Alguns sistemas podem até simular como um medicamento pode causar efeitos colaterais antes mesmo de ser testado em um animal. Apesar dessa promessa, a revisão alerta que o sucesso computacional não garante a realidade biológica. Uma molécula que parece perfeita em uma tela de computador frequentemente falha quando testada em um organismo vivo. Apenas uma pequena fração do trabalho de descoberta de fármacos publicado em periódicos científicos realmente chega ao estágio de ser validada em animais, lembrando-nos de que a lacuna entre uma simulação digital e um medicamento funcional ainda é ampla.

No campo da medicina de precisão, o objetivo é afastar-se do tratamento de todos os pacientes da mesma forma e, em vez disso, adaptar os tratamentos ao perfil genético e molecular específico de um indivíduo. A inteligência artificial é o motor que torna isso possível, pois pode combinar dados de sequenciamento de DNA, imagens médicas e registros de saúde para criar um quadro completo de um paciente. Os pesquisadores destacaram exemplos onde esses sistemas ajudam a identificar distúrbios genéticos raros a partir de fotografias faciais ou combinam pacientes com câncer a terapias baseadas em seu perfil molecular único. No entanto, uma preocupação séria surge em relação à equidade. Os dados usados para treinar esses sistemas têm vindo historicamente de pessoas de ascendência europeia. Consequentemente, os modelos podem produzir resultados menos precisos para pacientes de outras origens, potencialmente agravando as disparidades de saúde. Os autores enfatizam que isso não é apenas um problema técnico a ser resolvido com matemática melhor, mas um problema de dados que requer a coleta de informações mais diversas de populações sub-representadas.

Finalmente, a revisão observa o monitoramento remoto de pacientes, onde dispositivos vestíveis (wearables) rastreiam dados de saúde como frequência cardíaca e níveis de oxigênio fora do hospital. A inteligência artificial analisa esse fluxo contínuo de informações para detectar sinais precoces de deterioração. No cuidado à insuficiência cardíaca, por exemplo, esses sistemas podem alertar os médicos sobre mudanças que podem prevenir uma internação hospitalar. A Food and Drug Administration dos Estados Unidos já aprovou dezenas desses dispositivos de monitoramento baseados em IA, sugerindo que esta área está mais avançada em termos de regulamentação do que outras. No entanto, os pesquisadores observam que esses sistemas devem ser cuidadosamente projetados para evitar irritar os médicos com excesso de alarmes falsos, um problema conhecido como fadiga de alertas. Se um sistema toca o alarme com muita frequência, os clínicos podem começar a ignorá-lo, derrotando o propósito.

Apesar desses sucessos, os pesquisadores identificam vários desafios profundos que devem ser resolvidos antes que a inteligência artificial se torne uma parte padrão do cuidado médico. Um dos maiores problemas é a privacidade. Esses sistemas exigem acesso a dados sensíveis dos pacientes e, mesmo quando os dados são desidentificados, eles podem, às vezes, ser reidentificados. Há também o problema da "caixa preta". Muitos dos modelos de IA mais poderosos são tão complexos que nem mesmo seus criadores conseguem explicar totalmente como chegaram a uma conclusão específica. Na medicina, onde uma decisão errada pode levar a um erro de diagnóstico ou a um tratamento prejudicial, os médicos hesitam em confiar em um sistema que não podem compreender. Essa opacidade cria riscos legais e éticos. Além disso, o poder computacional necessário para executar esses sistemas é imenso, o que poderia deixar os hospitais menores para trás, incapazes de arcar com a tecnologia necessária.

Para abordar essas preocupações, a revisão aponta para o crescente campo da inteligência artificial explicável. Esta abordagem visa tornar o raciocínio do computador visível, como destacar a parte específica de um raio-X que levou a um diagnóstico ou listar os valores laboratoriais que dispararam um aviso. Os pesquisadores descobriram que, embora essas explicações possam ajudar a construir a confiança, elas não são uma solução perfeita. Um sistema pode fornecer uma explicação clara que ainda assim se mostra errada, ou a explicação pode ser tecnicamente precisa, mas não útil para um médico ocupado. O caminho a seguir envolve uma combinação de melhores regulamentações, dados mais diversos e uma mudança na forma como essas ferramentas são projetadas. O futuro da inteligência artificial médica não é sobre substituir os médicos, mas sobre criar uma parceria onde o computador lida com o processamento massivo de dados e o humano fornece o julgamento, o contexto e a empatia.

Os autores concluem que, embora a inteligência artificial esteja passando dos laboratórios experimentais para o uso prático, a adoção confiável exige mais do que apenas alta precisão. Ela demanda testes robustos em diferentes hospitais, modelos transparentes que os médicos possam entender e proteções rigorosas para a privacidade do paciente. A tecnologia tem o potencial de transformar a saúde, tornando os diagnósticos mais precisos e os tratamentos mais personalizados. Mas para que esse potencial seja realizado, a infraestrutura circundante deve ser construída para garantir que esses sistemas sejam justos, seguros e dignos de confiança. Os próximos anos determinarão se o campo poderá superar essas barreiras para trazer os benefícios da inteligência artificial para cada paciente, independentemente de onde viva ou de qual seja sua origem.