A INTELIGÊNCIA ARTIFICIAL E SUAS APLICAÇÕES NA MEDICINA – UMA REVISÃO INTEGRATIVA

Engenharia, Volume 28 - Edição 136/JUL 2024 / 12/07/2024

REGISTRO DOI: 10.5281/zenodo.12713824

Ana Sofia Santos Veras,
João Alexssander de Oliveira Cunha,
Orientadora: Prof. Rosangela da Silva Cunha

RESUMO

A inteligência artificial (IA) está revolucionando a área da saúde com impactos positivos significativos. Ela proporciona maior segurança aos pacientes, aumenta a especificidade e eficácia dos diagnósticos, e melhora a adesão aos tratamentos em regiões com pouca cobertura. Na oncologia, por exemplo, a IA é capaz de detectar e classificar tumores, além de identificar características específicas do microambiente tumoral e moléculas de expressão antigênica. A aplicação da IA na saúde abrange várias áreas, incluindo prevenção, diagnóstico, tratamento, acompanhamento, pesquisa e gestão. Em termos de prevenção e diagnóstico, são utilizados softwares especializados para identificar genomas tumorais e padrões diagnósticos precisos em diversas especialidades médicas. Na área de tratamento, a IA pode auxiliar no planejamento da dose de medicamentos e na previsão de efeitos adversos. Para o monitoramento dos pacientes, robôs equipados com reconhecimento facial e de voz são utilizados para garantir adesão adequada aos tratamentos medicamentosos. É crucial reconhecer a importância do conhecimento sobre essas novas tecnologias, que estão promovendo avanços significativos no campo da saúde. A IA não apenas melhora os cuidados de saúde, mas também abre caminho para futuras inovações e melhorias no atendimento médico.

Palavras-chave: Inteligência. Artificial. Saúde. Pacientes.

ABSTRACT

Artificial intelligence (AI) is revolutionizing the healthcare sector with significant positive impacts. It provides greater patient safety, increases diagnostic specificity and efficacy, and enhances treatment adherence in underserved areas. In oncology, for example, AI can detect and classify tumors, as well as identify specific characteristics of the tumor microenvironment and antigenic expression molecules. The application of AI in healthcare spans across various areas including prevention, diagnosis, treatment, monitoring, research, and management. In terms of prevention and diagnosis, specialized software is used to identify tumor genomes and precise diagnostic patterns in various medical specialties. In treatment, AI can assist in medication dosage planning and predicting adverse effects. For patient monitoring, robots equipped with facial and voice recognition are employed to ensure proper adherence to medical treatments. It is crucial to recognize the importance of understanding these new technologies, which are driving significant advancements in healthcare. AI not only improves healthcare delivery but also paves the way for future innovations and enhancements in medical care.

Keywords: Artificial Intelligence. Healthcare. Patients.

1. INTRODUÇÃO

A inteligência artificial (IA) vem demonstrando impactos bastante favoráveis no âmbito da saúde, à medida que, permite a maior segurança aos pacientes, maior especificidade e resolutividade, melhorando adesão em áreas de menor cobertura (ORTEGA; CARRILLO-PEREZ; CARRILLO-ESPER, 2022). Como exemplo, na área da oncologia, a tecnologia pode tanto detectar e classificar o tumor, como também, identificar o seu microambiente e moléculas de expressão mais antigênicas (BHINDER et al., 2021).

Ao se falar em saúde são diversos os meios os quais a IA contempla, entre eles, prevenção, diagnóstico, tratamento e acompanhamento, investigação e gestão. Como meios preventivos e diagnósticos, tem-se a aplicação de softwares para identificação de genomas tumorais, padrões assertivos maiores em relação ao diagnóstico, utilizando plataformas específicas para cada área – MYCIN/MYCIN II para doenças infecciosas, CASNET para oftalmologia, PIP para doenças renais ou Al/RHEUM para doenças reumatológicas. Em relação ao tratamento pode-se planejar quantitativo de adesão e efeitos adversos, por exemplo. O monitoramento se dá através de robôs capazes implantados com reconhecimento facial e voz, para acompanhamento do doente e adesão medicamentosa (ÁVILA-TOMÁS; MAYER-PUJADAS; QUESADA- VARELA, 2020).

Em detrimento dos assuntos levantados, é notório a importância do conhecimento a respeito das grandes novas tecnologias, pois as mesmas, promovem utilizações de grandes feitos em nosso meio saúde. Com isso, a seguir demonstra-se os principais pontos utilizados da IA, suas aplicações e evoluções futuramente.

2. JUSTIFICATIVA

O presente projeto de pesquisa irá evocar as atuais aplicações de mecanismos utilizadores de inteligência artificial (IA) no âmbito da medicina. Trata-se de um tema com alta relevância à medida que, utiliza-se de técnicas computadorizadas para promover pesquisa e desenvolvimento técnico-científico com aplicações em simulação e extensão humana. Através da Inteligência artificial, hoje, o tempo útil entre diagnóstico e conduta diminuíram bastante, somando-se também com uma taxa menor de mão de obra médica.

Com os avanços na IA, podemos sistematizar, individualizar e adequar os cuidados em saúde, investigando em ordem genética e molecular cada patologia, entendendo assim de uma forma mais minuciosa cada enfermidade, afim de buscar o tratamento mais adequado.

Em detrimento disso, ao decorrer deste projeto, será discutido quais e como cada aplicação se tornou importante no campo médico.

3. OBJETIVOS
Geral
Específicos

3.1. OBJETIVO GERAL

O presente projeto irá trazer como tema central, os meios utilizados pela inteligência artificial para facilitar e ampliar na esfera saúde. Citando e descrevendo seus métodos e utilidades ao setor; afim de, promover maior conhecimento e sistematização, com conceitos diretos e de maior entendimento. Com isso o objetivo geral, consiste em analisar e demonstrar o impacto da aplicação da inteligência artificial na medicina, citando e descrevendo suas principais utilizações, desde o início de seu desenvolvimento até dias atuais; uma vez que, suas aplicações já se tornam vigentes nos dias atuais.

3.2. OBJETIVOS ESPECÍFICOS

  • Relatar as principais metodologias e sistemas utilizados pela inteligência artificial no âmbito médico;
  • Apontar as principais melhorias ofertadas através de seu desenvolvimento;
  • Apontas as principais especialidades médicas que a utilizam e como;
  • Indicar principais procedimentos para utilização da robótica;
  • Demonstrar falhas em adesão, seja por investimento, falta de mão de obra especializada;
  • Atribuir os pontos fortes de sua utilização, na melhoria em diagnósticos, menor taxas de erros e gastos desnecessários;
4. REFERENCIAL TEÓRICO

No ano de 1956, o termo inteligência artificial (IA) foi designado pela primeira vez para o Dartmouth Summer Workshop, sendo denominado como “máquinas pensantes”. Podemos definir como a capacidade de uma máquina em aprender e assimilar determinadas tarefas a partir de padrões empregados, podendo assumir tomadas decisões, por exemplo (BHINDER et al., 2021).

DHOMBRES et al. (2022), discorrem que na medicina são utilizados 2 tipos de IA – simbólica (voltada para o conhecimento e ontologias) e a não simbólica (aprendizado de máquina e seus circuitos).

4.1 Inteligência Artificial

O referencial teórico em inteligência artificial (IA) abrange uma ampla gama de conceitos, teorias e abordagens relacionadas ao campo. Alguns dos principais aspectos teóricos envolvidos na IA incluem:

  • O aprendizado de máquina é um dos pilares fundamentais da IA. Envolve o desenvolvimento de algoritmos e técnicas que permitem que os sistemas aprendam a partir de dados e melhorem seu desempenho ao longo do tempo. O referencial teórico do aprendizado de máquina abrange áreas como modelos estatísticos, teoria da otimização, teoria da informação e teoria dos jogos (ERICKSON, 2021).
  • As redes neurais artificiais são modelos computacionais inspirados no funcionamento do cérebro humano. Essas redes são compostas por neurônios artificiais interconectados, que permitem o processamento paralelo de informações e o aprendizado por meio do ajuste dos pesos das conexões. O referencial teórico das redes neurais abrange áreas como neurociência computacional, teoria dos grafos e teoria da informação (PASHKOV; HARKUSHA; HARKUSHA, 2020).
  • Lógica e raciocínio simbólico: A lógica simbólica desempenha um papel importante na IA, especialmente em sistemas de raciocínio e tomada de decisões. Ela envolve o uso de símbolos e regras lógicas para representar o conhecimento e inferir novas informações a partir desse conhecimento. O referencial teórico da lógica simbólica abrange áreas como lógica matemática, teoria dos modelos e teoria da computabilidade (PASHKOV; HARKUSHA; HARKUSHA, 2020).
  • O processamento de linguagem natural é uma área da IA que se concentra na interação entre computadores e linguagem humana. O referencial teórico do processamento de linguagem natural inclui aspectos da linguística computacional, teoria da comunicação, teoria dos grafos e estatística (ERICKSON, 2021).
  • O raciocínio probabilístico é uma abordagem que lida com a incerteza e a aleatoriedade na tomada de decisões. Ele usa técnicas estatísticas e teoria das probabilidades para modelar e raciocinar sobre eventos incertos. O referencial teórico do raciocínio probabilístico inclui a teoria das probabilidades, estatística, teoria da decisão e teoria da informação (ERICKSON, 2021).

Esses são apenas alguns dos muitos aspectos teóricos envolvidos na IA. O campo da inteligência artificial é vasto e multidisciplinar, incorporando ideias e conceitos de várias disciplinas, como ciência da computação, matemática, estatística, psicologia cognitiva e filosofia.

4.2 Sistema de IA na Medicina

Um sistema de medicina baseado em inteligência artificial (IA) é uma aplicação da IA na área da saúde que tem como objetivo auxiliar médicos e profissionais de saúde no diagnóstico, tratamento e cuidado dos pacientes. Esse tipo de sistema utiliza algoritmos e técnicas de aprendizado de máquina para analisar dados clínicos, como registros eletrônicos de saúde, imagens médicas, resultados de exames e literatura científica, a fim de fornecer insights e apoio na tomada de decisões clínicas (HAMET; TREMBLAY, 2017).

Um sistema de medicina IA pode ter várias funcionalidades, incluindo:

  • Diagnóstico auxiliado por computador: A IA pode ajudar na detecção de doenças e condições médicas, analisando sinais, sintomas e dados clínicos do paciente. Pode fornecer recomendações de diagnóstico com base em modelos treinados em grandes conjuntos de dados clínicos (HAMET; TREMBLAY, 2017).
  • Interpretação de imagens médicas: A IA pode analisar imagens de raios-X, ressonâncias magnéticas, tomografias computadorizadas e outros exames de imagem para auxiliar na detecção de anomalias, identificação de lesões e auxiliar na triagem de casos prioritários (HAMET; TREMBLAY, 2017).
  • Personalização de tratamentos: Com base nos dados clínicos e em modelos de aprendizado de máquina, a IA pode fornecer recomendações de tratamento personalizadas para cada paciente. Isso pode levar em consideração fatores como histórico médico, características genéticas e resposta a terapias anteriores (MINTZ; BRODIE, 2019).
  • Monitoramento de saúde: A IA pode analisar dados contínuos de monitoramento de pacientes, como sinais vitais, padrões de sono e atividade física, para identificar tendências, alertar sobre alterações preocupantes e fornecer insights para cuidados preventivos (MINTZ; BRODIE, 2019).

É importante destacar que um sistema de medicina IA não substitui a expertise e o julgamento clínico dos profissionais de saúde, mas sim oferece suporte e informações adicionais para auxiliá-los em suas decisões. Além disso, a implementação desses sistemas requer validação e testes rigorosos para garantir sua segurança, confiabilidade e conformidade com as regulamentações da área da saúde (HAMET; TREMBLAY, 2017).

4.3 Inteligência Artificial na Medicina

A inteligência artificial tem desempenhado um papel cada vez mais importante na área da medicina. Ela tem sido utilizada para auxiliar médicos e profissionais de saúde em várias tarefas, como diagnóstico, tratamento, previsão de resultados e descoberta de novos medicamentos (LARENTZAKIS; LYGEROS, 2021). Um dos principais benefícios da inteligência artificial na medicina é a capacidade de processar grandes quantidades de dados de pacientes e identificar padrões que podem ajudar a diagnosticar doenças com mais precisão. Algoritmos de aprendizado de máquina podem analisar informações clínicas, históricos médicos e resultados de exames para fornecer diagnósticos mais rápidos e precisos (AMISHA et al., 2019).

Além disso, a inteligência artificial pode ajudar os médicos a personalizar os tratamentos para cada paciente. Com base em dados individuais, algoritmos podem sugerir terapias mais eficazes e prever quais tratamentos têm maior probabilidade de sucesso (LARENTZAKIS; LYGEROS, 2021).

A pesquisa em inteligência artificial também está impulsionando a descoberta de novos medicamentos. Algoritmos de aprendizado de máquina podem analisar bancos de dados de compostos químicos e simular a interação entre moléculas para identificar possíveis candidatos a medicamentos. Isso acelera o processo de descoberta e desenvolvimento de novas terapias (AMISHA et al., 2019).

No entanto, é importante destacar que a inteligência artificial não substitui os médicos, mas sim complementa seu trabalho. A tomada de decisão clínica final ainda é responsabilidade dos profissionais de saúde, mas a inteligência artificial pode fornecer informações valiosas e ajudar a melhorar a precisão e eficiência dos cuidados médicos (AMISHA et al., 2019).

4.4 Métodos utilizados pela IA no sistema de saúde

Existe o chamado, sistema especialista em medicina, o qual é uma aplicação que utiliza conhecimento especializado e técnicas de IA para auxiliar médicos e profissionais de saúde no diagnóstico, tratamento e cuidado dos pacientes. Esse tipo de sistema combina regras de especialistas humanos com algoritmos de aprendizado de máquina para fornecer recomendações e insights clínicos (DZOBO et al., 2020).

Um sistema especialista em medicina IA pode ter as seguintes características:

  • A base de conhecimento possui uma extensa base de conhecimento que contém informações médicas, diretrizes clínicas, dados de pesquisas científicas e experiência de especialistas humanos. Essa base de conhecimento é utilizada pelo sistema para tomar decisões e fornecer orientações aos médicos (MANICKAM et al., 2022).
  • Inferência e raciocínio é o sistema que utiliza técnicas de inferência e raciocínio para processar informações e aplicar regras específicas ao caso clínico em questão. Com base nos dados fornecidos, o sistema é capaz de identificar padrões, analisar sintomas, considerar fatores de risco e fazer inferências lógicas para chegar a recomendações clínicas (DZOBO et al., 2020).
  • Atualização contínua, a base de conhecimento do sistema é atualizada regularmente com os avanços mais recentes na área da saúde. Isso pode ser feito por meio de integração com pesquisas científicas, literatura médica atualizada e especialistas humanos que revisam e validam as informações fornecidas pelo sistema (MANICKAM et al., 2022).
  • Na explicabilidade, pode ser capaz de fornecer explicações para as recomendações que oferece. Isso permite que os médicos entendam o raciocínio e a lógica por trás das decisões do sistema, facilitando a confiança e a colaboração entre
  • Integração com sistemas de registros eletrônicos de saúde, no qual o sistema pode ser integrado aos registros eletrônicos de saúde existentes, permitindo que os médicos acessem e utilizem as recomendações e informações do sistema diretamente no fluxo de trabalho clínico (DZOBO et al., 2020).

Além do sistema de especialista, a inteligência artificial (IA) na medicina utiliza diversas outras metodologias para analisar dados e tomar decisões clínicas (AUNG; WONG; TING, 2021). Algumas das metodologias comumente empregadas são as seguintes:

  • Aprendizado supervisionado, nessa abordagem, os algoritmos de IA são treinados em grandes conjuntos de dados rotulados. Os dados de treinamento contêm exemplos de diagnósticos corretos, tratamentos eficazes ou outras informações clínicas relevantes. O algoritmo aprende a identificar padrões e relacionar características específicas aos resultados desejados (AUNG; WONG; TING, 2021). Ele usa esse conhecimento adquirido para fazer previsões em novos casos.
  • Aprendizado não supervisionado, nessa metodologia, os algoritmos de IA exploram grandes conjuntos de dados não rotulados. Eles buscam identificar padrões, agrupamentos ou relações ocultas nos dados sem a orientação de rótulos préexistentes. Essa abordagem pode ser usada, por exemplo, para segmentar pacientes em grupos com características semelhantes ou para descobrir novos conhecimentos médicos (PASHKOV; HARKUSHA; HARKUSHA, 2020).
  • Aprendizado por reforço, nessa metodologia, os algoritmos de IA aprendem a partir da interação com um ambiente ou sistema. Eles recebem feedback positivo ou negativo com base em suas ações e aprendem a otimizar seu desempenho para maximizar as recompensas. Isso pode ser aplicado em situações em que há uma sequência de decisões a serem tomadas, como o ajuste de terapias ao longo do tempo (AUNG; WONG; TING, 2021).
  • Redes neurais artificiais, são uma técnica fundamental na IA. Elas são modelos computacionais inspirados no funcionamento do cérebro humano, compostos por camadas de neurônios interconectados. Essas redes são treinadas em conjuntos de dados para aprender padrões complexos e fazer previsões ou classificações (DZOBO et al., 2020).
  • Processamento de linguagem natural, essa metodologia permite que os sistemas de IA compreendam e processem a linguagem humana. Ela envolve técnicas de processamento de texto, análise semântica, identificação de entidades e extração de informações de documentos médicos, como registros eletrônicos de saúde, relatórios de pacientes ou literatura científica (MANICKAM et al., 2022).

Essas são apenas algumas das metodologias utilizadas pela IA na medicina. É importante notar que a escolha da metodologia depende do objetivo específico do sistema de IA e dos dados disponíveis. A combinação de diferentes abordagens e a adaptação às necessidades clínicas são fundamentais para o sucesso da aplicação da IA na medicina.

4.5 Linguagens de programação para Inteligência Artificial

Existem várias linguagens de programação que são comumente usadas para desenvolver aplicativos e sistemas de inteligências artificial (IA).

Alguns exemplos incluem:

Prolog

Prolog é uma linguagem de programação lógica que é amplamente utilizada na área de inteligência artificial (IA), incluindo a medicina. Embora o Prolog possa ser usado para criar sistemas especialistas médicos, é importante observar que a maioria das aplicações de IA na medicina atualmente utiliza outras tecnologias, como algoritmos de aprendizado de máquina (RICARD et al., 2023).

No entanto, é possível usar o Prolog para criar sistemas especialistas médicos baseados em regras. Um sistema especialista médico em Prolog consiste em um conjunto de fatos e regras que descrevem o conhecimento médico e as relações entre os diferentes elementos (RICARD et al., 2023).

Por exemplo, um sistema especialista médico em Prolog pode incluir fatos sobre sintomas, condições médicas e tratamentos, bem como regras que definem os critérios para o diagnóstico de determinadas doenças com base nos sintomas apresentados.

O Prolog é adequado para representar conhecimento médico baseado em regras e realizar inferências lógicas para auxiliar no diagnóstico e tomada de decisões clínicas. No entanto, vale ressaltar que outras abordagens de IA, como aprendizado de máquina e redes neurais, têm sido mais amplamente adotadas na medicina devido à sua capacidade de lidar com dados complexos e aprender padrões a partir de grandes conjuntos de dados (RICARD et al., 2023).

Em resumo, embora o Prolog possa ser usado para criar sistemas especialistas médicos, é importante considerar outras tecnologias de IA, como aprendizado de máquina, que são mais comumente usadas atualmente na área da medicina.

Python

Python é uma linguagem de programação amplamente utilizada na área de inteligência artificial (IA), incluindo aplicações na saúde e medicina. Existem várias bibliotecas e frameworks em Python que fornecem recursos poderosos para o desenvolvimento de soluções de IA na área da saúde (GU et al., 2021). Aqui estão algumas bibliotecas populares e suas aplicações:

  • TensorFlow e Keras: Essas bibliotecas são amplamente utilizadas para criar e treinar redes neurais, incluindo modelos de aprendizado profundo (deep learning). Elas podem ser aplicadas em tarefas como análise de imagens médicas, diagnóstico assistido por computador e previsão de resultados clínicos (HUNG et al., 2020).
  • Scikit-learn: Essa biblioteca é uma das mais populares para aprendizado de máquina em Python. Ela oferece uma ampla gama de algoritmos de aprendizado de máquina, como classificação, regressão e agrupamento. Pode ser aplicada em tarefas como triagem de doenças, análise de dados clínicos e previsão de riscos de saúde (KUI et al., 2022).
  • PyTorch é uma biblioteca de aprendizado profundo que permite a criação e treinamento de modelos de IA de forma flexível. É amplamente usado em aplicações de processamento de imagens médicas, análise de dados genômicos e segmentação de tecidos (LIANG et al., 2023).
  • Pandas e NumPy: Essas bibliotecas são amplamente utilizadas para manipulação e análise de dados. Elas são essenciais para pré- processamento de dados, limpeza, transformação e análise estatística. Podem ser usadas para manipular dados clínicos, criar recursos relevantes e preparar conjuntos de dados para treinamento de modelos de IA (KUI et al., 2022).
  • OpenCV é uma biblioteca voltada para visão computacional. Ela fornece uma ampla gama de funções e algoritmos para processamento de imagem e vídeo. É frequentemente aplicada em análise de imagens médicas, detecção de objetos e extração de características (LEVIN et al., 2023).

Essas são apenas algumas das bibliotecas populares em Python que são usadas na área da saúde e medicina. A linguagem Python, com sua sintaxe simples e vasta coleção de bibliotecas de IA, oferece um ambiente poderoso e flexível para o desenvolvimento de soluções de IA voltadas para a saúde (GU et al., 2021).

Java

Embora Java seja uma linguagem de programação popular, é menos comumente usada na área de inteligência artificial (IA) e medicina em comparação com outras linguagens como Python. No entanto, ainda é possível utilizar Java para desenvolver soluções de IA na área da saúde, incluindo sistemas de diagnóstico (HE; LIU; YAN, 2020).

Aqui estão algumas bibliotecas e ferramentas em Java que podem ser úteis nesse contexto:

  • Weka é uma plataforma de aprendizado de máquina em Java que fornece uma ampla gama de algoritmos de aprendizado supervisionado e não supervisionado. Ela inclui ferramentas para pré-processamento de dados, seleção de recursos e avaliação de modelos. Pode ser usada para análise de dados clínicos e predição de resultados médicos (HE; LIU; YAN, 2020).
  • DeepLearning4Java, é uma biblioteca de deep learning em Java que fornece suporte para a construção e treinamento de redes neurais profundas. Ela possui integração com outras bibliotecas populares de IA, como TensorFlow e Keras. Pode ser utilizada para tarefas de diagnóstico médico e análise de dados clínicos (POIRION et al., 2021).
  • Mahout: Mahout é uma biblioteca de aprendizado de máquina distribuído em Java. Ela oferece uma variedade de algoritmos e ferramentas para análise de grandes conjuntos de dados. Pode ser usada para análise de dados médicos em larga escala e predição de resultados de saúde (JAIN et al., 2022).

Embora o ecossistema de IA em Java possa não ser tão abrangente quanto em outras linguagens, ainda existem opções disponíveis para o desenvolvimento de soluções de IA na área da saúde. Vale ressaltar que a escolha da linguagem de programação também depende dos requisitos específicos do projeto, disponibilidade de bibliotecas relevantes e conhecimentos da equipe de desenvolvimento (POIRION et al., 2021).

Linguagem C++

C++ é uma linguagem de programação amplamente utilizada e conhecida por sua eficiência e desempenho. Embora seja menos comum na área de inteligência artificial (IA) em comparação com linguagens como Python, também é possível utilizar C++ para desenvolver soluções de IA na área da saúde (CHENG et al., 2023). Aqui estão algumas bibliotecas e ferramentas em C++ que podem ser úteis nesse contexto:

  • TensorFlow é uma das principais bibliotecas de IA, originalmente desenvolvida em C++. Ela oferece suporte para a criação e treinamento de redes neurais e é amplamente utilizada em aplicações de IA incluindo saúde. Com o TensorFlow C++, é possível desenvolver modelos de aprendizado de máquina para análise de dados clínicos, diagnóstico assistido por computador e previsão de resultados médicos (ZHANG et al., 2019).
  • O Insight Toolkit (ITK) é uma biblioteca de processamento de imagens médicas em C++. Ela oferece algoritmos avançados para registro, segmentação e análise de imagens médicas. O ITK é amplamente utilizado em aplicações de IA na área da saúde, como análise de imagens de ressonância magnética e tomografia computadorizada (CHENG et al., 2023).
  • Shogun é uma biblioteca de aprendizado de máquina em C++ que oferece uma ampla variedade de algoritmos e técnicas para análise de dados. Ela pode ser utilizada para tarefas de aprendizado de máquina, como classificação, regressão e agrupamento, aplicadas a dados clínicos e médicos (PEDROGO et al., 2019).

Embora o ecossistema de IA em C++ possa ser menos abrangente em comparação com outras linguagens, como Python, ainda existem opções disponíveis para o desenvolvimento de soluções de IA na área da saúde. A escolha da linguagem de programação também depende dos requisitos específicos do projeto, disponibilidade de bibliotecas relevantes e conhecimentos da equipe de desenvolvimento.

4.6 Especialidades médicas com IA:

A inteligência artificial (IA) tem o potencial de ser aplicada em várias especialidades médicas. Aqui estão algumas das especialidades que utilizam a IA na medicina:

  • Radiologia: A IA tem sido amplamente utilizada na radiologia para auxiliar na interpretação de imagens médicas, como raios-X, ressonâncias magnéticas e tomografias computadorizadas. Algoritmos de IA podem identificar anomalias, auxiliar no diagnóstico precoce de doenças e ajudar os radiologistas a fazerem análises mais precisas (HOSNY et al., 2018).
  • Oncologia: A IA tem um papel significativo na oncologia, desde o diagnóstico até o tratamento. Ela pode auxiliar na detecção de câncer em estágios iniciais, na identificação de mutações genéticas relevantes para o tratamento personalizado e na previsão da resposta a determinadas terapias. Além disso, a IA pode ajudar na radioterapia e na análise de imagens de patologia (SHIMIZU; NAKAYAMA, 2020).
  • Dermatologia: A IA tem sido aplicada na análise de imagens dermatológicas para auxiliar no diagnóstico de doenças de pele, como melanoma, psoríase e acne. Algoritmos de IA podem comparar as imagens do paciente com bancos de dados de imagens dermatológicas e fornecer insights aos dermatologistas para ajudar na tomada de decisões clínicas (HOGARTY et al., 2020).
  • Cardiologia: Na cardiologia, a IA pode ajudar na interpretação de eletrocardiogramas (ECGs) e na análise de imagens cardíacas, como ecocardiogramas e angiografias. Algoritmos de IA podem identificar padrões de arritmias cardíacas, avaliar a função cardíaca e auxiliar na previsão de eventos cardíacos (JIMENEZ et al., 2020).
  • Neurologia: Na neurologia, a IA pode auxiliar no diagnóstico de doenças neurológicas, como o Alzheimer e o Parkinson, analisando imagens cerebrais, como ressonâncias magnéticas e tomografias por emissão de pósitrons. Além disso, a IA pode ajudar na interpretação de eletroencefalogramas (EEGs) e auxiliar na identificação de padrões anormais (JUNIOR, 2022).

Essas são apenas algumas das especialidades médicas que estão utilizando a IA. À medida que a tecnologia avança, é provável que mais especialidades médicas incorporem a IA em suas práticas clínicas para melhorar o diagnóstico, o tratamento e o cuidado dos pacientes (HOSNY et al., 2018).

4.7 Oncologia e meios na inteligência artificial

A inteligência artificial (IA) tem desempenhado um papel cada vez mais importante na terapia do câncer. Ela oferece oportunidades para melhorar o diagnóstico, o planejamento do tratamento, a tomada de decisões clínicas e a pesquisa oncológica (SHIMIZU; NAKAYAMA, 2020). Aqui estão algumas áreas em que a IA está sendo aplicada na terapia do câncer:

  • Diagnóstico preciso: A IA pode auxiliar no diagnóstico de câncer por meio da análise de imagens médicas, como tomografias computadorizadas, ressonâncias magnéticas e mamografias. Algoritmos de aprendizado de máquina podem identificar padrões e características sutis nas imagens, ajudando os médicos a detectarem tumores precocemente e com maior precisão (BHINDER et al., 2021).
  • Planejamento de tratamento personalizado: Com base em dados clínicos, imagens médicas e informações genéticas do paciente, a IA pode auxiliar na criação de planos de tratamento personalizados. Algoritmos de IA podem analisar múltiplas variáveis, como tipo de câncer, estágio, características moleculares e resposta a terapias anteriores, para recomendar opções de tratamento mais eficazes e com menor toxicidade (BHINDER et al., 2021).
  • Radioterapia assistida por IA: Na radioterapia, a IA pode ser utilizada para melhorar o planejamento e a administração do tratamento. Algoritmos de IA podem auxiliar na segmentação automática de órgãos e tumores em imagens de radioterapia, ajudando a determinar as áreas que devem receber doses terapêuticas precisas e minimizando os danos aos tecidos saudáveis circundantes (SHIMIZU; NAKAYAMA, 2020).
  • Monitoramento de resposta ao tratamento: A IA pode ser usada para analisar a resposta de um paciente ao tratamento ao longo do tempo. Ela pode avaliar imagens sequenciais, marcadores moleculares e dados clínicos para identificar padrões que indiquem a eficácia do tratamento e ajudar os médicos a ajustarem as estratégias terapêuticas conforme necessário (YOU et al., 2022).
  • Descoberta de novos medicamentos e alvos terapêuticos: A IA pode acelerar a descoberta de medicamentos e a identificação de alvos terapêuticos. Algoritmos de aprendizado de máquina podem analisar grandes volumes de dados, como informações genéticas, dados clínicos e resultados de ensaios clínicos, para identificar padrões e correlações que possam guiar a pesquisa e o desenvolvimento de novas terapias (YOU et al., 2022).

A aplicação da IA na terapia do câncer ainda está em constante desenvolvimento, e é fundamental que as decisões clínicas sejam tomadas por médicos especialistas, considerando os aspectos éticos, regulatórios e de segurança (YOU et al., 2022). A colaboração entre médicos e especialistas em IA é essencial para garantir que as tecnologias sejam validadas e implementadas de forma responsável para melhorar os resultados para os pacientes com câncer.

4.8 Neurologia utilizando a IA:

Na neurologia, a inteligência artificial (IA) está sendo utilizada de várias maneiras para auxiliar no diagnóstico, tratamento e pesquisa. Aqui estão alguns exemplos de como a IA está sendo aplicada na neurologia:

  • Diagnóstico assistido por IA pode ajudar na interpretação de exames de imagem cerebral, como ressonâncias magnéticas e tomografias computadorizadas. Algoritmos de IA podem analisar as imagens e auxiliar na detecção de anormalidades, como tumores, aneurismas, lesões cerebrais ou alterações estruturais (LUO et al., 2023).
  • Análise de eletroencefalogramas a IA pode ser usada para auxiliar na interpretação de EEGs, que são registros da atividade elétrica do cérebro. Algoritmos de IA podem identificar padrões anormais, como convulsões, distúrbios do sono ou alterações na atividade cerebral que são indicativas de doenças neurológicas (JUNIOR, 2022).
  • Detecção precoce de doenças neurodegenerativas a IA pode ajudar na identificação precoce de doenças neurodegenerativas, como Alzheimer e Parkinson. Algoritmos de IA podem analisar dados clínicos, testes cognitivos e imagens cerebrais para identificar padrões que são indicativos dessas doenças, permitindo um diagnóstico mais rápido e preciso (JUNIOR, 2022).
  • Terapia personalizada com base em dados clínicos, imagens cerebrais e informações genéticas, a IA pode auxiliar na personalização dos tratamentos neurológicos. Algoritmos de IA podem analisar múltiplas variáveis, como características do paciente e histórico médico, para recomendar abordagens terapêuticas mais eficazes e adaptadas às necessidades individuais (LUO et al., 2023).
  • Monitoramento de doenças crônicas IA pode ser usada para monitorar pacientes com doenças neurológicas crônicas, como epilepsia ou doenças neuromusculares. Algoritmos de IA podem analisar dados contínuos, como registros de crises epilépticas, atividade motora ou sintomas relatados pelos pacientes, para identificar padrões, prever crises e ajudar a ajustar os planos de tratamento (JUNIOR, 2022).

Essas são apenas algumas das maneiras pelas quais a IA está sendo aplicada na neurologia. A incorporação da IA na prática clínica neurológica tem o potencial de melhorar a precisão diagnóstica, o planejamento do tratamento e o cuidado personalizado aos pacientes com doenças neurológicas (LUO et al., 2023). No entanto, é importante que as decisões finais sejam tomadas por médicos especialistas, levando em consideração o conhecimento clínico e ético.

4.9 Prós e contras na medicina

A inteligência artificial (IA) oferece tanto benefícios quanto desafios quando aplicada à medicina. Aqui estão alguns dos principais prós e contras da utilização da IA na medicina:

Prós:

  • Diagnóstico mais preciso: A IA pode auxiliar os médicos no diagnóstico, analisando grandes quantidades de dados e identificando padrões que podem não ser perceptíveis para os humanos. Isso pode levar a diagnósticos mais precisos e precoces, aumentando as chances de sucesso no tratamento (FANG et al., 2020).
  • Tratamento personalizado: A IA pode ajudar a personalizar os tratamentos com base nas características individuais dos pacientes. Ela pode analisar dados genéticos, histórico médico e outros fatores para recomendar abordagens terapêuticas específicas, levando a um tratamento mais eficaz e reduzindo os efeitos colaterais (FANG et al., 2020).
  • Aumento da eficiência: A IA pode automatizar tarefas rotineiras e repetitivas, liberando tempo para os médicos se concentrarem em casos mais complexos. Isso pode aumentar a eficiência geral dos cuidados de saúde, reduzir erros e melhorar a produtividade (FANG et al., 2020).
  • Análise avançada de imagens e dados: A IA pode analisar imagens médicas, como radiografias e ressonâncias magnéticas, com maior precisão e rapidez do que os seres humanos. Ela também pode processar grandes conjuntos de dados clínicos para identificar correlações e insights valiosos que podem auxiliar no diagnóstico e tratamento (LIU et al., 2021).

Contras:

  • Dependência de dados de qualidade: A IA requer grandes quantidades de dados de alta qualidade para aprender e fazer previsões precisas. Se os dados forem limitados, desequilibrados ou de baixa qualidade, os resultados da IA podem ser comprometidos. A obtenção e a preparação desses dados podem ser desafiadoras e demoradas (LIU et al., 2021).
  • Falta de interpretabilidade: Algoritmos de IA complexos, como redes neurais profundas, podem ser difíceis de interpretar e explicar. Isso pode gerar preocupações sobre a confiabilidade das decisões tomadas pela IA e dificultar a confiança e aceitação dos médicos e pacientes (LIU et al., 2021).
  • Questões éticas e responsabilidade: A utilização da IA na medicina levanta questões éticas, como privacidade dos dados, equidade no acesso aos cuidados de saúde e responsabilidade por erros ou decisões inadequadas. É importante estabelecer regulamentações e diretrizes éticas para garantir o uso adequado da IA e proteger os direitos dos pacientes (FANG et al., 2020).
  • Dependência excessiva da tecnologia: A dependência excessiva da IA pode levar a uma redução na tomada de decisões clínicas baseadas na experiência e no julgamento dos médicos. É essencial encontrar um equilíbrio entre o uso da IA como ferramenta de suporte e a expertise clínica dos profissionais de saúde (FANG et al., 2020).

É importante considerar tanto os prós quanto os contras da IA na medicina para garantir uma implementação responsável e eficaz. A colaboração entre médicos, pesquisadores e profissionais de tecnologia é fundamental para maximizar os benefícios da IA e mitigar seus desafios.

4.10 Dificuldades apresentadas para inserção de forma ampliada:

Embora a inteligência artificial (IA) tenha o potencial de trazer muitos benefícios para o campo da medicina, também há desafios e dificuldades a serem considerados. Aqui estão algumas das principais dificuldades da IA no meio médico:

  • Dados de treinamento limitados: A Inteligência artificial depende de grandes conjuntos de dados para aprender e fazer previsões precisas. No entanto, em alguns casos, os conjuntos de dados médicos podem ser limitados ou desequilibrados, o que pode prejudicar a capacidade da IA de generalizar corretamente para novos casos. Além disso, a falta de dados rotulados ou dados de qualidade pode afetar a confiabilidade dos modelos de IA (FANG et al., 2020).
  • Interpretabilidade e transparência: Os modelos de IA, como redes neurais profundas, podem ser complexos e difíceis de interpretar. Isso pode dificultar a compreensão dos médicos e pesquisadores sobre como e porque uma decisão específica foi tomada pelo sistema de IA. A falta de transparência pode gerar preocupações éticas e desafiar a confiança na tecnologia (TOPOL, 2019).
  • Privacidade e segurança dos dados: A IA na medicina requer o acesso a grandes quantidades de dados sensíveis de pacientes, como registros médicos e imagens médicas. A proteção da privacidade dos pacientes e a segurança desses dados são preocupações importantes. Medidas rigorosas de segurança e conformidade com as leis de proteção de dados são essenciais para garantir a confidencialidade e a integridade das informações (FANG et al., 2020).
  • Aceitação e colaboração médica: A adoção da IA na prática médica pode encontrar resistência e desconfiança por parte de alguns profissionais de saúde. É fundamental envolver os médicos e outros profissionais de saúde no desenvolvimento e implementação de sistemas de IA garantindo que eles sejam vistos como ferramentas de suporte à decisão clínica, e não como substitutos dos profissionais (TOPOL, 2019).

Essas são apenas algumas das dificuldades enfrentadas pela IA no meio médico. À medida que a tecnologia evolui, é importante abordar essas questões para garantir que a IA seja implementada de forma ética, segura e eficaz, fornecendo benefícios reais para os pacientes e profissionais de saúde.

METODOLOGIA

O presente projeto realizará uma busca por artigos nos idiomas inglês, português e espanhol, em periódicos e na base de dados Public Medical Literature Analysis and Retrieval system Online (PubMed), Scientific Electronic Library Online (SciELO), Literatura Latino-Americana e do Caribe em Ciências da Saúde (LILACS) e matérias em materiais impressos que foram aceitos, os quais discorram sobre o tema.

Sendo considerados artigos e materiais entre os anos de 2015 a 2023, trazendo as principais formas de utilização da inteligência artificial no meio médico, especialidades médicas principais que a utilizam. Foram aceitos todos os tipos de metodologia em pesquisas, que abranjam os seguintes descritores: “inteligência artificial”; “medicina”; “IA”.

REFERÊNCIAS BIBLIOGRÁFICAS

AMISHA,. et al. Overview of artificial intelligence in medicine. J Family Med Prim Care. , [s. l.], 2019. DOI 10.4103/jfmpc.jfmpc_440_19. Disponível em: https://pubmed.ncbi.nlm.nih.gov/31463251/. Acesso em: 4 set. 2023.

AUNG, Y.Y.M.; WONG, D.C.S.; TING, D.S.W. The promise of artificial intelligence: a review of the opportunities and challenges of artificial intelligence in healthcare. Br Med Bull., [s. l.], 2021. DOI 10.1093/bmb/ldab016. Disponível em: https://pubmed.ncbi.nlm.nih.gov/34405854/. Acesso em: 27 set. 2023. ÁVILA-TOMÁS, J.F.; MAYER-PUJADAS, M.G.; QUESADA-VARELA, V.J. La inteligencia artificial y sus aplicaciones en medicina II: importancia actual y aplicaciones prácticas. Aten Primaria., [s. l.], 2020. DOI 10.1016/j.aprim.2020.04.014. Disponível em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7752970/. Acesso em: 23 maio 2023.

BHINDER, B. et al. Artificial Intelligence in Cancer Research and Precision Medicine. Cancer Discov., [s. l.], 2021. DOI 10.1158/2159-8290.CD-21- 0090. Disponível   em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8034385/. Acesso em: 23 maio 2023.

CHENG, J. et al. Massively Parallel CRISPR-Based Genetic Perturbation Screening at Single-Cell Resolution. Adv Sci (Weinh)., [s. l.], 2023. DOI 10.1002/advs.202204484. Disponível em: https://pubmed.ncbi.nlm.nih.gov/36504444/. Acesso em: 12 set. 2023.

DHOMBRES, F. et al. Contributions of Artificial Intelligence Reported in obstetrics and Gynecology Journals: Systematic Review. J Med Internet Res. , [s. l.], 2022. DOI 10.2196/35465. Disponível em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9069308/. Acesso em: 23 maio 2023.

DZOBO, K. et al. Integrating Artificial and Human Intelligence: A Partnership for Responsible Innovation in Biomedical Engineering and Medicine. OMICS ., [s. l.], 2020. DOI 10.1089/omi.2019.0038. Disponível em: https://pubmed.ncbi.nlm.nih.gov/31313972/. Acesso em: 23 ago. 2023. ERICKSON, B.J. Basic Artificial Intelligence Techniques: Machine Learning and Deep Learning. Radiol Clin North Am., [s. l.], 2021. DOI 10.1016/j.rcl.2021.06.004. Disponível em: https://pubmed.ncbi.nlm.nih.gov/34689878/. Acesso em: 12 set. 2023. FANG, Y.T. et al. New Opportunities and Challenges for Forensic Medicine in the Era of Artificial Intelligence Technology. Fa Yi Xue Za Zhi., [s. l.], 2020.

DOI 10.12116/j.issn.1004-5619.2020.01.016. Disponível em: https://pubmed.ncbi.nlm.nih.gov/32250084/. Acesso em: 4 jul. 2023. GOMES, D.S. Inteligência Artificial: Conceitos e Aplicações. 2010. Trabalho de conclusão de curso (Sistema de Informação) – Faculdades Associadas de Ariquemes, [S. l.], 2010.

GU, Q. et al. Dicom_wsi: A Python Implementation for Converting Whole-Slide Images to Digital Imaging and Communications in Medicine Compliant Files. J Pathol Inform., [s. l.], 2021. DOI 10.4103/jpi.jpi_88_20. Disponível em: https://pubmed.ncbi.nlm.nih.gov/34267986/. Acesso em: 7 set. 2023. HAMET, P.; TREMBLAY, J. Artificial intelligence in medicine. Metabolism., [s. l.], 2017. DOI 10.1016/j.metabol.2017.01.011. Disponível em: https://pubmed.ncbi.nlm.nih.gov/28126242/. Acesso em: 13 set. 2023.

HE, J.; LIU, H.; YAN, M.M. [Knowledge structure of lumbago‘s symptoms and employed acupoints in book A-B Classic of Acupuncture and Moxibustion and Compendium of Acupuncture and Moxibustion based on Weka preprocessing association rules]. Zhen Ci Yan Jiu., [s. l.], 2020. DOI 10.13702/j.1000-0607.1803016. Disponível em: https://pubmed.ncbi.nlm.nih.gov/32144913/. Acesso em: 4 ago. 2023. HOGARTY, D.T. et al. Artificial Intelligence in Dermatology-Where We Are and the Way to the Future: A Review. Am J Clin Dermatol., [s. l.], 2020. DOI 10.1007/s40257-019-00462-6. Disponível   em: https://pubmed.ncbi.nlm.nih.gov/31278649/. Acesso em: 19 set. 2023.

HOSNY, A. et al. Artificial intelligence in radiology. Nat Rev Cancer. , [s. l.], 2018. DOI 10.1038/s41568-018-0016-5. Disponível em: https://pubmed.ncbi.nlm.nih.gov/29777175/. Acesso em: 6 set. 2023. HUNG, J. et al. Keras R-CNN: library for cell detection in biological images using deep neural networks. BMC Bioinformatics., [s. l.], 2020. DOI 10.1186/s12859-020-03635-x. Disponível em: https://pubmed.ncbi.nlm.nih.gov/32652926/. Acesso em: 18 set. 2023. JAIN, A. et al. Personalized Liver Cancer Risk Prediction Using Big Data Analytics Techniques with Image Processing Segmentation. Comput Intell Neurosci., [s. l.], 2022. DOI 10.1155/2022/8154523. Disponível em: https://pubmed.ncbi.nlm.nih.gov/35387251/. Acesso em: 13 set. 2023.

JIMENEZ, F.L. et al. Artificial Intelligence in Cardiology: Present and Future. Mayo Clin Proc., [s. l.], 2020. DOI 10.1016/j.mayocp.2020.01.038. Disponível em: https://pubmed.ncbi.nlm.nih.gov/32370835/. Acesso em: 29 ago. 2023.

JUNIOR, E.A. Artificial intelligence and Big Data in neurology. Arq Neuropsiquiatr., [s. l.], 2022. DOI 10.1590/0004-282X-ANP-2022-S139. Disponível em: https://pubmed.ncbi.nlm.nih.gov/35976329/. Acesso em: 10 ago. 2023.

KUI, B. et al. EASY-APP: An artificial intelligence model and application for early and easy prediction of severity in acute pancreatitis. Clin Transl Med. [s. l.], 2022. DOI 10.1002/ctm2.842. Disponível em: https://pubmed.ncbi.nlm.nih.gov/35653504/. Acesso em: 22 set. 2023.

LANZAGORTA-ORTEGA,  D.;  CARRILLO-PÉREZ,  D.L.;  CARRILO-ESPER, R. Inteligencia artificial en medicina: presente y futuro. GACETA MÉDICA DE MÉXICO, [s. l.], 2022. DOI 10.24875/GMM.M22000688. Disponível em: https://www.gacetamedicademexico.com/frame_esp.php?id=780. Acesso em: 23 maio 2023.

LARENTZAKIS, A.; LYGEROS, N. Artificial intelligence (AI) in medicine as a strategic valuable tool. Pan Afr Med J., [s. l.], 2021. DOI 10.11604/pamj.2021.38.184.28197.       Disponível   em: https://pubmed.ncbi.nlm.nih.gov/33995790/. Acesso em: 11 set. 2023. LEVIN, A.A. et al. Assessment of experimental OpenCV tracking algorithms for ultrasound videos. Sci Rep., [s. l.], 2023. DOI 10.1038/s41598-023- 309303. Disponível em: https://pubmed.ncbi.nlm.nih.gov/37185281/. Acesso em: 30 ago. 2023.

LIANG, L. et al. PyTorch-FEA: Autograd-enabled finite element analysis methods with applications for biomechanical analysis of human aorta. Comput Methods Programs Biomed., [s. l.], 2023. DOI 10.1016/j.cmpb.2023.107616.

Disponível   em: https://pubmed.ncbi.nlm.nih.gov/37230048/. Acesso em: 11 set. 2023. LIPKOVA, J. et al. Artificial intelligence for multimodal data integration in oncology. Cancer Cell. , [s. l.], 2022. DOI 10.1016/j.ccell.2022.09.012. Disponível em: https://pubmed.ncbi.nlm.nih.gov/36220072/. Acesso em: 7 jun. 2023.

LIU, P.R. et al. Application of Artificial Intelligence in Medicine: An Overview. Curr Med Sci. , [s. l.], 2021. DOI 10.1007/s11596-021-2474-3. Disponível em: https://pubmed.ncbi.nlm.nih.gov/34874486/. Acesso em: 29 jun. 2023.

LUO, J. et al. Emerging role of artificial intelligence in diagnosis, classification and clinical management of glioma. Semin Cancer Biol., [s. l.], 2023. DOI 10.1016/j.semcancer.2023.03.006. Disponível em: https://pubmed.ncbi.nlm.nih.gov/36907387/. Acesso em: 15 jul. 2023. MANICKAM, P. et al. Artificial Intelligence (AI) and Internet of Medical Things (IoMT) Assisted Biomedical Systems for Intelligent Healthcare. Biosensors (Basel)., [s. l.], 2022. DOI 10.3390/bios12080562. Disponível em: https://pubmed.ncbi.nlm.nih.gov/35892459/. Acesso em: 14 ago. 2023. MINTZ, Y.; BRODIE, R. Introduction to artificial intelligence in medicine. Minim  Invasive Ther  Allied Technol., [s. l.], 2019. DOI 10.1080/13645706.2019.1575882. Disponível em: https://pubmed.ncbi.nlm.nih.gov/30810430/. Acesso em: 25 ago. 2023.

PASHKOV, V.M.; HARKUSHA, A.O.; HARKUSHA, Y.O. ARTIFICIAL INTELLIGENCE IN MEDICAL PRACTICE: REGULATIVE ISSUES AND PERSPECTIVES. Wiad Lek., [s. l.], 2020. DOI 33611272. Disponível em: https://pubmed.ncbi.nlm.nih.gov/33611272/. Acesso em: 9 set. 2023.

PEDROGO, D.A.M. et al. An Increased Abundance of Clostridiaceae Characterizes Arthritis in Inflammatory Bowel Disease and Rheumatoid Arthritis: A Cross-sectional Study. Inflamm Bowel Dis., [s. l.], 2019. DOI 10.1093/ibd/izy318. Disponível em: https://pubmed.ncbi.nlm.nih.gov/30321331/. Acesso em: 6 set. 2023.

POIRION, O.B. et al. DeepProg: an ensemble of deep-learning and machine- learning models for prognosis prediction using multi-omics data. Genome Med., [s. l.], 2021. DOI 10.1186/s13073-021-00930-x. Disponível em: https://pubmed.ncbi.nlm.nih.gov/34261540/. Acesso em: 7 set. 2023. RICARD, F. et al. Application of the Lugano Classification for Initial Evaluation, Staging, and Response Assessment of Hodgkin and Non-Hodgkin Lymphoma: The PRoLoG Consensus Initiative (Part 1-Clinical). J Nucl Med., [s. l.], 2023. DOI 10.2967/jnumed.122.264106. Disponível em: https://pubmed.ncbi.nlm.nih.gov/35835580/. Acesso em: 13 set. 2023.                                                                                                                                                                                    

SHIMIZU, H.; NAKAYAMA, K. Artificial intelligence in oncology. Cancer Sci., [s. l.], 2020. DOI 10.1111/cas.14377. Disponível em: https://pubmed.ncbi.nlm.nih.gov/32133724/. Acesso em: 16 ago. 2023. SOUZA, H.T.; BAIÃO, E.R.; VERASZTO, E.V. Sistemas especialistas aplicados na medicina. [S. l.: s. n.], 2016. ISBN 978-85-68154-77-9. TOPOL, E.J. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. , [s. l.], 2019. DOI 10.1038/s41591-018- 0300-7. Disponível em: https://pubmed.ncbi.nlm.nih.gov/30617339/. Acesso em: 2 ago. 2023.

YOU, Y. et al. Artificial intelligence in cancer target identification and drug discovery. Signal Transduct Target Ther., [s. l.], 2022. DOI 10.1038/s41392-022-00994-0. Disponível e m: https://pubmed.ncbi.nlm.nih.gov/35538061/. Acesso em: 27 jul. 2023.

ZHANG, Z. et al. Binary logistic regression modeling with TensorFlow™. Ann Transl Med., [s. l.], 2019. DOI 10.21037/atm.2019.09.125. Disponível em: https://pubmed.ncbi.nlm.nih.gov/31807572/. Acesso em: 5 set. 2023.

XII SEMANA UNIVERSITÁRIA XII ENCONTRO DE INICIAÇÃO CIENTÍFICA V FEIRA DE CIÊNCIA, TECNOLOGIA E INOVAÇÃO

UNIFIMES  2018  –  MINEIROS  –  GO,  2018,  MINEIROS – GO. INTELIGÊNCIA ARTIFICIAL NA MEDICINA: SUPORTE À ELABORAÇÃO DE DIAGNÓSTICOS […]. [S. l.: s. n.], 2018.