THE IMPACT OF THE USE OF ARTIFICIAL INTELLIGENCE IN DIFFERENT AREAS OF HEALTHCARE
REGISTRO DOI: 10.69849/revistaft/ni10202412092047
Maurício de Oliveira Barros1; Thyago Oliveira Cardoso2; Dayana Gouveia de Lemos3; Maraísa do Nascimento4; Mayra Morgana Martins de Moura5; Felipe de Souza Duarte6
Resumo:
A inteligência artificial é uma tendência crescente nos dias atuais, sendo empregada nas mais diferentes áreas das ciências humanas, biológicas e exatas. Na área da saúde, seu uso tem sido difundido cada vez mais entre os profissionais da medicina, enfermagem, odontologia, dentre outras profissões. O presente estudo teve por objetivo realizar uma revisão narrativa da literatura científica indexada partindo da pergunta central: qual o impacto da utilização da inteligência artificial nas diferentes áreas da saúde? Para isso, foram realizadas buscas na base de dados do PubMed com os termos “artificial intelligence” and “health care” or “health occupations”. Foram aplicadas as estratégias de inclusão e exclusão, sendo selecionados 9 artigos para serem incluídos no presente trabalho. Os resultados foram representados em quadros e apresentam uma tendência do uso da inteligência artificial nas diferentes áreas da saúde, demonstrando que há um impacto positivo na incorporação da tecnologia na rotina clínica de enfermeiros, médicos e dentistas. Com base nos resultados apresentados, conclui-se que há um impacto positivo na utilização de recursos tecnológicos que usam inteligência artificial nas áreas da saúde.
Palavras-chave: Inteligência artificial. Sistemas inteligentes. Profissionais da saúde.
Abstract
Artificial intelligence is a growing trend nowadays, being used in the most different areas of human, biological and exact sciences. In the health area, its use has become increasingly widespread among professionals in medicine, nursing, dentistry, among other professions. The aim of this study was to carry out a narrative review of the indexed scientific literature based on the central question: what is the impact of using artificial intelligence in different areas of health? To do this, searches were carried out in the PubMed database using the terms “artificial intelligence” and “health care” or “health occupations”. Inclusion and exclusion strategies were applied, and 9 articles were selected to be included in the present work. The results were represented in tables and present a trend in the use of artificial intelligence in different areas of health, demonstrating that there is a positive impact on the incorporation of technology in the clinical routine of nurses, doctors and dentists. Based on the results presented, it is concluded that there is a positive impact on the use of technological resources that use artificial intelligence in the areas of health.
Keywords: Artificial intelligence. Health care. Health occupations.
INTRODUÇÃO
A inteligência artificial (IA) é um campo da ciência da computação que se concentra no desenvolvimento de algoritmos e sistemas capazes de realizar tarefas que, normalmente, requerem inteligência humana, como reconhecimento de padrões, aprendizado, tomada de decisões e processamento de linguagem natural1. Por definição, IA é a capacidade de uma máquina realizar tarefas que normalmente requerem inteligência humana, a IA abrange sistemas operacionais capazes de reconhecer a fala, tomar decisões, traduzir idiomas e ter percepções visuais2.
A origem da IA é apontada como sendo a mais de 80 anos, com os conceitos estabelecidos por Alan Turing, Warren McCulloch e Walter Pitts1. Relacionado a origem da IA, está a concepção de um modelo teórico de um dispositivo capaz de simular qualquer algoritmo computacional, desenvolvido pelo matemático Alan Turing, lançando as bases para o desenvolvimento dos computadores modernos3.
No entanto, foi apenas em 2012 que o subtipo de aprendizado profundo (deep learning) foi amplamente aceito como uma forma viável de IA, após a publicação de um relatório que demonstrou a capacidade de uma rede neural profunda (Deep Neural Network – DNN) em classificar imagens com uma taxa de erro inédita4. Este marco, juntamente com o projeto do Google Brain, que utilizou 10 milhões de imagens de vídeos do YouTube para detectar gatos com precisão, estabeleceu as bases para o progresso futuro da IA5. Em 5 anos, em conjuntos de testes específicos com grandes volumes de dados rotulados, os algoritmos de aprendizado profundo para reconhecimento de imagens superaram a taxa de precisão humana6, e, paralelamente, o desempenho sobre-humano foi demonstrado também para o reconhecimento de fala7.
A partir daí, a IA evoluiu rapidamente, impulsionada pelos avanços da computação e da neurociência, e hoje se encontra presente em diversas áreas, como saúde, educação, finanças, transporte e entretenimento8. Desta forma, a inteligência artificial (IA) tem se tornado cada vez mais presente em diversos setores da sociedade, e em essência, a IA busca simular a inteligência humana por meio de algoritmos e modelos computacionais3.
A crescente popularidade da IA se deve à sua capacidade de processar grandes volumes de dados, identificar padrões complexos e gerar soluções inovadoras para problemas desafiadores8. Seu potencial de destruição tem gerado debates sobre os impactos da IA na sociedade, na economia e no futuro do trabalho9.
Na área da saúde, a IA tem sido utilizada em diversas frentes, como diagnóstico e tratamento, gestão de dados, assistência ao paciente, educação e treinamento, ética e segurança, e integração de tecnologia2. Algoritmos de IA são capazes de analisar dados clínicos complexos, identificar padrões relevantes e auxiliar no diagnóstico de doenças, sugerindo planos de tratamento e prevendo resultados3.
Assim sendo, IA tem sido utilizada para auxiliar médicos em tarefas como interpretação de exames médicos, identificação de lesões, diagnóstico de doenças e recomendação de tratamentos. Por exemplo, na radiologia, algoritmos de aprendizado profundo têm sido desenvolvidos para auxiliar na detecção de pneumonia em radiografias de tórax, com resultados promissores em relação à precisão em comparação com radiologistas humanos10.
No entanto, a aplicabilidade da IA na área da saúde também apresenta desafios e preocupações em relação ao uso, como questões éticas, privacidade de dados, vieses algorítmicos e a necessidade de garantir a segurança e a confiabilidade dos sistemas de IA9.
Nesse sentido, é fundamental que a comunidade científica e a sociedade em geral se envolvam em discussões sobre o uso responsável e ético da IA na saúde, buscando maximizar seus benefícios e mitigar seus riscos. A pesquisa e o desenvolvimento de tecnologias de IA devem ser guiados por princípios éticos sólidos, garantindo a transparência, a equidade e a segurança dos pacientes11. Assim, a inteligência artificial tem o potencial de transformar a medicina, impactando diversas áreas da saúde.
No entanto, é crucial que a implementação da IA seja feita de forma ética e responsável, levando em consideração os desafios e as limitações existentes. Neste contexto, este artigo busca explorar o impacto da IA na área da saúde, analisando seus benefícios, desafios e perspectivas futuras, com o objetivo de fornecer uma visão abrangente sobre o papel dessa tecnologia na medicina moderna. A partir de uma revisão da literatura e da análise de estudos de caso, busca-se compreender como a IA está transformando a prática médica, a pesquisa em saúde e a relação entre profissionais e pacientes.
MATERIAL E MÉTODOS
O estudo se caracteriza como uma revisão narrativa da literatura, tratando-se de uma abordagem descritiva com base em artigos científicos atuais publicados e indexados.
A busca dos artigos foi realizada na base de dados do PubMed, delimitando aqueles que foram publicados entre os anos de 2019 e 2024. Os termos buscados foram “artificial intelligence” and “health care” or “health occupations”. A quantidade de resultados encontrados na busca foram 6.645.
Os critérios de inclusão aplicados foram artigos originais de estudos primários ou revisões em português, inglês ou espanhol a respeito do tema “O impacto do uso da inteligência artificial em diferentes áreas da saúde.”
Foram excluídos estudos que não eram disponíveis gratuitamente e aqueles estudos não eram relacionados ou distantes do objeto da pesquisa. Após a aplicação dessas estratégias, foram selecionados um total de 9 artigos para serem incluídos no presente trabalho.
Os resultados foram representados em quadros de caracterização dos artigos e do conteúdo de cada trabalho.
RESULTADOS
Os resultados encontrados com base na análise do conteúdo dos artigos incluídos estão expressos nos dois quadros abaixo. No Quadro 1 verifica-se a caracterização dos artigos e no Quadro 2 consta a análise do conteúdo desses artigos.
Quadro 1: Caracterização dos artigos. (N=09).
| N° | TÍTULO | AUTORIA E ANO | BASE | PAÍS | REVISTA |
| 01 | Effects of a nurse-led eHealth cardiac rehabilitation programme on health outcomes of patients with coronary heart disease: A randomised controlled trial | Su et al., 2021 | PubMed | China | International Journal of Nursing Studies |
| 02 | Artificial intelligence-guided screening for atrial fibrillation using electrocardiogram during sinus rhythm: a prospective non-randomised interventional trial | Noseworthy et al., 2022 | PubMed | EUA | The Lancet |
| 03 | Artificial intelligence for breast cancer detection in screening mammography in Sweden: a prospective, population-based, paired-reader, non-inferiority study | Dembrower et al., 2023 | PubMed | Suíça | Lancet Digit Health |
| 04 | Impact of artificial intelligence on dentists’ gaze during caries detection: A randomized controlled trial | Arsiwala-Scheppach et al., 2024 | PubMed | Alemanha | Journal of Dentistry |
| 05 | Using artificial intelligence to predict adverse outcomes in emergency department patients with hyperglycemic crises in real time | Hsu et al.,2023 | PubMed | Taiwan | BMC Endocr Disord |
| 06 | Effects of artificial intelligence-assisted dental monitoring intervention in patients with periodontitis: A randomized controlled trial | Shen et al., 2022 | PubMed | Taiwan | Journal of Clinical Periodontology |
| 07 | Effect of an Artificial Intelligence–Based Self-Management App on Musculoskeletal Health in Patients With Neck and/or Low Back Pain Referred to Specialist Care: A Randomized Clinical Trial | Marcuzzi et al., 2023 | PubMed | Noruega | JAMA Network Open |
| 08 | Assessment of Accuracy of an Artificial Intelligence Algorithm to Detect Melanoma in Images of Skin Lesions. | Phillips et al., 2019 | PubMed | Australia | JAMA Network Open |
| 09 | Understanding, explaining, and utilizing medical artificial intelligence | Cadario, Longoni and Morewedge, 2021 | PubMed | EUA | Nature |
Quadro 2: Análise de conteúdo dos artigos. (N=09).
| N° | OBJETIVOS E METODOLOGIA | RESULTADOS | CONCLUSÃO |
| 1 | Buscou avaliar os efeitos de um sistema de reabilitação cardíaca em linha (NeCR) utilizando uma plataforma tecnológica com a liderança de enfermeiros, que tinham como papel informar os pacientes sobre comportamentos de saúde, autoeficácia cardíaca, ansiedade e depressão, qualidade de vida relacionada com a saúde, parâmetros de risco e utilização indiscriminada de serviços para pessoas com doença coronária. Para esse estudo, aleatoriamente 146 pacientes hospitalizados por doença cardíaca coronariana foram escolhidos para receber a intervenção NeCR ou os cuidados usuais. Essa intervenção iniciou-se antes da alta hospitalar onde um enfermeiro identificava as necessidades individuais, estabelecia metas e planos para a mudança de comportamento do paciente, além disso, informava como a plataforma tecnológica funcionaria. | Na 6ª semana pós-intervenção, os participantes do grupo apresentaram melhora significativa no número de passos dados por dia em relação ao tempo que ficaram sentados, havendo melhora no perfil de estilo de vida com uma maior promoção da saúde em comparação com o grupo controle. Esses resultados foram mantidos até o desfecho de 12 semanas pós-intervenção. Além disso, os participantes apresentaram melhora significativamente maior no autocuidado e na qualidade de vida relacionada à saúde do que o grupo controle ao final do estudo. | Foi demonstrado a efetividade da intervenção NeCR com uso da plataforma tecnológica na modificação dos fatores de risco comportamentais e na melhora da qualidade de vida relacionada à saúde. Esses resultados também fornecem algumas ideias sobre a aplicação de intervenções na equipe de enfermagem com o auxílio de tecnologia da informação para melhorar a reabilitação de pacientes com doença cardíaca coronariana. |
| 2 | O objetivo principal foi avaliar a eficácia de uma abordagem de triagem direcionada guiada por algoritmos de inteligência artificial (IA) para identificar fibrilação atrial não reconhecida anteriormente, para separar possíveis grupos de risco. Foram recrutados pacientes com fatores de risco de AVC, mas sem fibrilação atrial conhecida, que fazem eletrocardiogramas regularmente. Esses pacientes usaram um monitor de ritmo cardíaco ambulatorial contínuo por até 30 dias, com os dados transmitidos quase em tempo real por meio de uma conexão celular. Então, algoritmos com base na tecnologia de IA dividiram os pacientes em grupos de alto ou baixo risco. | Como resultado, foi possível observar a precisão da IA, pois mostrou alta sensibilidade e especificidade na detecção da fibrilação atrial (FA), mesmo em eletrocardiogramas que não apresentavam arritmia durante a coleta de dados. Esse fato levou à identificação de uma prevenção do problema antes mesmo de alguma manifestação clínica evidente. Mostrou também um desempenho superior à investigação de forma convencional que tem como base a interpretação humana. | O estudo demonstrou que a utilização de inteligência artificial (IA) na triagem de fibrilação atrial (FA) por meio de eletrocardiogramas (ECGs) pode ser um avanço significativo na prática clínica. A análise detalhada dos resultados indicou que o sistema de IA foi capaz de detectar padrões sutis nos ECGs que estão associados ao desenvolvimento de fibrilação atrial, mesmo quando não havia sinais evidentes de arritmia no momento da realização do exame. |
| 3 | O objetivo principal foi comparar a eficácia da Inteligência Artificial como leitor independente de mamografias com a leitura convencional por dois radiologistas. Utilizando um desenho de estudo prospectivo de não inferioridade, os pesquisadores avaliaram diferentes abordagens de leitura: leitura dupla por um radiologista mais IA, leitura simples por IA, e leitura tripla por dois radiologistas mais IA. | Durante o período de abril de 2021 a junho de 2022, um total de 58.344 mulheres foram incluídas no estudo. Os resultados mostraram que a detecção de câncer de mama utilizando Inteligência Artificial como leitor único foi não inferior à leitura dupla por dois radiologistas (proporção relativa 0,98 a 1,08, com intervalos de confiança de 95%). Em alguns casos, a detecção foi até ligeiramente superior quando a IA foi utilizada em combinação com leituras múltiplas por radiologistas. | Conclusivamente, o estudo sugere que a Inteligência Artificial pode ser implementada de forma controlada em programas de triagem de câncer de mama, proporcionando uma detecção eficaz e potencialmente melhorando a precisão diagnóstica. Estes resultados têm significativas implicações clínicas e indicam um futuro promissor para o uso de IA na prática médica, especialmente na detecção precoce de câncer de mama. |
| 4 | Avaliar se a presença de um sistema de Inteligência Artificial como assistente afeta a forma como os dentistas examinam e interpretam imagens radiográficas. Trata-se de um ensaio clínico randomizado controlado, que é um dos desenhos de estudo mais robustos em pesquisa clínica. Neste caso, os dentistas são aleatoriamente designados para examinar radiografias com ou sem assistência de inteligência artificial. Isso permite comparar diretamente como o uso da IA impacta o processo de decisão clínica dos profissionais. | Os resultados indicaram que a presença da IA não só melhorou a precisão diagnóstica, mas também acelerou o processo de detecção, permitindo que os dentistas atendam mais pacientes em menos tempo. O estudo concluiu que a IA pode complementar as habilidades dos dentistas, melhorando a eficiência clínica e a qualidade do atendimento. | A presença de um sistema de Inteligência Artificial como assistente afeta positivamente a forma como os dentistas examinam e interpretam imagens radiográficas, otimizando as práticas médicas e de saúde em geral. |
| 5 | Desenvolver e implementar um modelo de inteligência artificial (IA) integrado ao sistema de informações do hospital para prever resultados adversos em pacientes com crises hiperglicêmicas em tempo real. Participantes: 2.666 pacientes com crises hiperglicêmicas em departamentos de emergência (DE) entre 2009 e 2018. Dados: 22 variáveis de características dos registros médicos eletrônicos. Algoritmos: Comparação do desempenho de vários algoritmos de IA incluindo perceptron multicamadas (MLP), regressão logística, random forest, LightGBM, máquina de vetores de suporte (SVM) e K-vizinhos mais próximos (KNN). Implementação: Integração do melhor algoritmo (MLP) ao HIS para auxiliar na tomada de decisões em tempo real. Comparação: Comparação dos resultados entre grupos com e sem o uso da IA após a implementação do HIS e do escore PHD (predição de morte por crise hiperglicêmica). | O modelo MLP teve o melhor desempenho na previsão dos três resultados adversos (sepse ou choque séptico, admissão em UTI e mortalidade por todas as causas em 1 mês). As áreas sob as curvas (AUCs) usando o modelo MLP foram 0,852 para sepse ou choque séptico, 0,743 para admissão em UTI e 0,796 para mortalidade por todas as causas. Não houve diferenças significativas na admissão em UTI ou mortalidade por todas as causas entre os grupos com e sem IA. O modelo de IA teve melhor desempenho do que o escore PHD na previsão de mortalidade por todas as causas (AUC 0,796 vs. 0,693). | Um modelo de IA em tempo real é um método promissor para prever resultados adversos em pacientes com crises hiperglicêmicas no departamento de emergência. |
| 06 | Este estudo buscou avaliar os efeitos de um aplicativo de monitoramento odontológico assistido por inteligência artificial (IA) em casa nos resultados do tratamento em pacientes com periodontite. O ensaio clínico randomizado foi conduzido com pacientes recrutados na Divisão de Periodontia da Universidade Médica de Kaohsiung, com idades entre 35 e 65 anos, randomizados em três grupos: IA, IA e aconselhamento humano (AIHC) e grupo controle (CG). Os desfechos foram avaliados por meio de exames odontológicos registrando parâmetros como profundidade de sondagem (PPD), nível clínico de inserção (CAL), índice gengival (IG) e índice de placa (IP). O tratamento periodontal não cirúrgico (TPNC) foi administrado a todos os grupos, seguido de instruções de higiene oral, enquanto os grupos IA e AIHC receberam instrução adicional sobre o uso da ferramenta de IA. | Após 3 meses de acompanhamento, tanto os grupos IA quanto AIHC apresentaram melhorias significativas na profundidade das bolsas periodontais (PPD), nível de fixação clínica (CAL) e índice de placa em comparação com o grupo controle (CG). Especificamente, observou-se uma redução média de 0,9 mm e 1,4 mm na PPD, 0,8 mm e 1,4 mm no CAL, e uma diminuição de 0,5 e 0,7 no índice de placa nos grupos IA e AIHC, respectivamente. Ademais, o grupo AIHC demonstrou uma redução ainda maior na PPD e no CAL em comparação com o grupo IA. | Ao utilizar o monitoramento de IA em casa, observou-se um efeito positivo nos resultados do tratamento para pacientes com periodontite. Além disso, pacientes que receberam aconselhamento de saúde assistido por IA apresentaram melhores resultados de tratamento do que aqueles que receberam apenas o monitoramento de IA. |
| 07 | O estudo teve como objetivo determinar o impacto do suporte de autogestão personalizado, fornecido por meio de um aplicativo baseado em inteligência artificial (SELFBACK), complementar aos cuidados habituais, em comparação com cuidados habituais isolados ou suporte de autogestão não personalizado baseado na web (e-Help) na saúde musculoesquelética. Foi realizado um ensaio clínico randomizado com adultos com 18 anos ou mais, sofrendo de dor cervical e/ou lombar, encaminhados para atendimento especializado em um ambulatório hospitalar multidisciplinar. Dos 377 pacientes avaliados, 294 preencheram os critérios e foram randomizados em três grupos: suporte de autogestão personalizado via aplicativo mais cuidados habituais (grupo de aplicativos), suporte de autogestão não personalizado via web mais cuidados habituais (grupo e-Help) ou apenas cuidados habituais, com acompanhamento por 6 meses. | Dos 294 participantes, 99 foram alocados ao grupo do aplicativo, 98 ao grupo e-Help e 97 ao grupo de cuidados habituais, com idade média de 50,6 anos e 58,8% mulheres. Aos 3 meses, 82,7% dos participantes forneceram dados completos sobre o desfecho primário, que foi a pontuação no MSK-HQ. A diferença média ajustada na pontuação MSK-HQ entre o grupo do aplicativo e o grupo de cuidados habituais foi de 0,62 pontos e entre o grupo do aplicativo e o grupo e-Help foi de 1,08 pontos, ambas sem significância estatística. Aos 6 meses, não houve diferenças significativas entre os grupos em relação aos desfechos secundários, que incluíram a pontuação de Efeito Percebido Global, que foi maior no grupo do aplicativo. | Os resultados não demonstraram benefícios significativos do suporte de autogestão personalizado baseado em inteligência artificial, em adição aos cuidados habituais, na melhoria da saúde musculoesquelética em pacientes com dor cervical e/ou lombar em 3 meses, em comparação com a abordagem de cuidados habituais isoladamente ou com suporte de autogestão baseado na web não personalizado. Estudos futuros são necessários para avaliar o impacto a longo prazo e a eficácia da implementação de intervenções de autogestão digitalmente apoiadas em ambientes de cuidados especializados, bem como para identificar ferramentas de avaliação que capturem as mudanças no comportamento de autogestão de forma mais sensível. |
| 08 | O objetivo deste estudo foi avaliar a capacidade do algoritmo Deep Ensemble for Recognition of Malignancy para detectar melanoma a partir de imagens de lesões cutâneas pigmentadas biopsiadas e não biopsiadas, capturadas prospectivamente em clínicas de dermatologia e cirurgia plástica, e compará-las com diagnósticos clínicos feitos por especialistas. Metodologia: ensaio diagnóstico prospectivo, multicêntrico, de braço único e mascarado realizado em clínicas de dermatologia e cirurgia plástica em 7 hospitais do Reino Unido. Imagens dermatoscópicas de lesões cutâneas suspeitas e de controle de 514 pacientes com pelo menos uma lesão cutânea pigmentada suspeita agendada para biópsia capturadas em 3 câmeras diferentes. Os dados foram coletados de janeiro de 2017 a julho de 2018. A avaliação da probabilidade de melanoma foi feita por médicos e pelo algoritmo Deep Ensemble for Recognition of Malignancy (DERM), treinado com técnicas de deep learning. A análise inicial dos dados foi realizada em setembro de 2018; análises adicionais foram realizadas de fevereiro de 2019 a agosto de 2019. | A população do estudo de 514 pacientes incluiu 279 mulheres (55,7%) e 484 pacientes brancos (96,8%), com idade média (DP) de 52,1 (18,6) anos. Um total de 1.550 imagens de lesões cutâneas foram incluídas na análise (551 [35,6%] lesões biopsiadas; 999 [64,4%] lesões controle); 286 imagens (18,6%) foram utilizadas para treinar o algoritmo e outras 849 (54,8%) imagens estavam faltantes ou inadequadas para análise. Das lesões biopsiadas avaliadas pelo algoritmo e especialistas, 125 (22,7%) foram diagnosticadas como melanoma. Destes, 77 (16,7%) foram utilizados para análise primária. O algoritmo alcançou uma AUROC de 90,1% (IC 95%, 86,3% -94,0%) para lesões biopsiadas e 95,8% (IC 95%, 94,1% -97,6%) para todas as lesões usando imagens do iPhone 6s; uma AUROC de 85,8% (IC 95%, 81,0%-90,7%) para lesões biopsiadas e 93,8% (IC 95%, 91,4%-96,2%) para todas as lesões usando imagens do Galaxy S6; e uma AUROC de 86,9%(IC95%, 80,8%-93,0%) para lesões biopsiadas e 91,8%(IC95%, 87,5%-96,1%) para todas as lesões usando imagens de câmera DSLR. Com sensibilidade de 100%, o algoritmo alcançou uma especificidade de 64,8% com imagens do iPhone 6s. Os especialistas alcançaram uma AUROC de 77,8% (IC 95%, 72,5%-81,9%) e uma especificidade de 69,9%. | O estudo concluiu que o algoritmo DERM demonstrou capacidade de identificar melanoma em imagens dermatoscópicas com uma precisão semelhante à de especialistas, sugerindo um potencial papel da IA na detecção precoce de lesões de pele. |
| 09 | O objetivo foi demonstrar que a resistência à utilização da inteligência artificial médica é impulsionada tanto pela dificuldade subjetiva de entender os algoritmos quanto por uma compreensão subjetiva ilusória da tomada de decisão médica humana. Cinco experimentos online pré-registrados e um estudo de campo online em anúncios do Google foram realizados. Os experimentos pré-registrados investigaram a compreensão subjetiva e objetiva das decisões médicas tomadas por humanos e algoritmos, e o estudo online testou intervenções para aumentar a compreensão e utilização da IA médica. | Os resultados mostram que as pessoas apresentam uma compreensão ilusória da tomada de decisão médica humana. Isso leva as pessoas a acreditarem que entendem melhor as decisões tomadas por médicos humanos do que por provedores algorítmicos, o que as torna mais relutantes em utilizar provedores algorítmicos. Intervenções breves que aumentam a compreensão subjetiva dos processos de decisão algorítmica aumentam a disposição de utilizar provedores algorítmicos de saúde. O estudo online generalizou a eficácia de tais intervenções para ambientes de campo. | A resistência à utilização da IA médica é impulsionada pela dificuldade de compreensão dos algoritmos e por uma compreensão ilusória da tomada de decisão médica humana. Intervenções que aumentam a compreensão subjetiva dos processos de decisão algorítmica podem aumentar a disposição de utilizar a IA médica. |
DISCUSSÃO
O uso da inteligência artificial tem sido empregado nas diversas áreas da saúde, como Enfermagem, Odontologia e na Medicina, a exemplo da cardiologia. A implementação de IA e eHealth em programas de reabilitação cardíaca trouxe avanços significativos na detecção e monitoramento de condições cardíacas dentro ou fora do ambiente hospitalar. Su et al. (2021) quiseram demonstrar que o uso de eHealth para monitoramento contínuo e personalizado resultaria em uma melhor adesão aos tratamentos e melhora dos resultados clínicos para os pacientes com doença coronariana. Esse estudo aplicou tecnologias da informação em 146 pacientes após alta hospitalar, onde primeiramente um enfermeiro responsável mostraria diretrizes do tratamento autônomo, fazendo também um pequeno treinamento de como utilizar as ferramentas, concluindo que a utilização da plataforma tecnológica trouxe melhoras nos parâmetros avaliados13. Similarmente, Noseworthy et al. (2022) tinham um objetivo de evidenciar em seu estudo que a IA aumentaria substancialmente a detecção de fibrilação atrial (FA) em pacientes de alto risco, resultando em uma triagem mais eficaz e intervenções precoces. Utilizaram pacientes com fatores de risco de AVC, mas sem fibrilação atrial conhecida, esses pacientes usaram um monitor de ritmo cardíaco ambulatorial contínuo por até 30 dias, os dados foram transmitidos quase em tempo real por meio de uma conexão celular gerando assim um algoritmo de IA, que aplicado a Eletrocardiogramas dividiram os pacientes em grupos de alto ou baixo risco e por fim comprovaram a hipótese proposta pelos autores14.
Ambos os estudos destacam um possível aumento à participação e a adesão dos pacientes aos programas de reabilitação. Noseworthy et al. (2022) mostraram que os pacientes de alto risco, acompanhados por IA, assimilaram melhor o tratamento, devido à personalização dos cuidados. Su et al. (2021) encontraram que a intervenção conduzida por enfermeiros através de plataformas de eHealth, como o WeChat, aumentou significativamente a participação dos pacientes, promovendo comportamentos de saúde mais ativos e reduzindo o tempo de sedentarismo. Os programas baseados em IA e eHealth também mostraram melhorias na qualidade de vida e na autoeficácia dos pacientes. Noseworthy et al. (2022) concluíram que a abordagem guiada por IA não apenas melhora a eficácia da triagem de FA, mas também contribui para uma melhor qualidade de vida ao permitir intervenções mais precisas e eficazes. Da mesma forma, Su et al. (2021) relataram que a intervenção de eHealth proporcionou melhorias sustentáveis na autoeficácia e qualidade de vida dos pacientes, graças ao suporte contínuo e personalizado dos enfermeiros através de plataformas digitais. Os estudos de Noseworthy et al. (2022) e Su et al. (2021) demonstram que a integração de tecnologias de IA e eHealth em programas de reabilitação cardíaca oferece vantagens significativas, incluindo melhor detecção e monitoramento de condições cardíacas, maior participação e constante adesão aos programas, além de melhorias na qualidade de vida e a eficácia autônoma dos tratamentos desses pacientes. Estes benefícios ressaltam a importância da inovação tecnológica na medicina e sugerem a necessidade de mais pesquisas para explorar todo o potencial dessas abordagens em diferentes contextos clínicos.
A utilização da inteligência artificial (IA) na detecção de doenças tem mostrado resultados promissores em diversas áreas da saúde, evidenciando tanto vantagens quanto desafios. Um estudo realizado por Dembrower et al. (2023), investigou o uso da IA na detecção de câncer de mama em mamografias de triagem na Suécia. Este estudo, publicado na The Lancet Oncology, utilizou um desenho prospectivo, baseado na população e de leitura pareada para comparar a eficácia da IA com a leitura tradicional por dois radiologistas. Os resultados mostraram que a IA foi capaz de detectar cânceres com uma precisão não inferior à dos radiologistas, além de reduzir a carga de trabalho dos profissionais, sugerindo que a IA pode ser integrada na triagem populacional de câncer de mama sem comprometer a qualidade do diagnóstico15. Em um estudo similar, Arsiwala-Scheppach et al. (2024), exploraram o impacto da IA no comportamento dos dentistas durante a detecção de cáries. Publicado no Journal of Dentistry, este estudo randomizado controlado nos Estados Unidos avaliou como a IA influencia o foco e a precisão dos dentistas ao identificar áreas críticas de cáries. Os resultados indicaram que a presença da IA não só melhorou a precisão diagnóstica, mas também acelerou o processo de detecção, permitindo que os dentistas atendam mais pacientes em menos tempo. O estudo concluiu que a IA pode complementar as habilidades dos dentistas, melhorando a eficiência clínica e a qualidade do atendimento16.
Ambos os estudos destacam as vantagens da IA na detecção diagnóstica, aumentando a precisão e eficiência dos profissionais de saúde. Dembrower et al. (2023), enfatizam que a IA pode substituir um dos radiologistas na leitura de mamografias, mantendo a qualidade diagnóstica e aliviando a carga de trabalho dos profissionais. De forma semelhante, Arsiwala-Scheppach et al. (2024), mostram que a IA pode direcionar o olhar dos dentistas para áreas de interesse, potencializando a detecção precoce de cáries e melhorando a eficiência no atendimento odontológico. Estas pesquisas demonstram o potencial transformador da IA na medicina moderna, oferecendo novas perspectivas para melhorar a precisão diagnóstica e os resultados para os pacientes. A integração da IA na prática clínica não apenas aprimora a qualidade dos diagnósticos, mas também permite uma melhor gestão do tempo e dos recursos, beneficiando tanto os profissionais de saúde quanto os pacientes.
Hsu et al. (2023)17 tiveram como objetivo implementar um modelo de inteligência artificial (IA) integrado ao sistema de informações hospitalares (SIH) para esclarecer se a IA poderia prever desfechos adversos em pacientes com crises hiperglicêmicas. Para isso, conduziram um estudo observacional, retrospectivo e randomizado, com 2.666 pacientes. Os autores observaram que o modelo de IA com perceptron multicamadas (MLP) teve o melhor desempenho na previsão dos três desfechos adversos, em comparação com os modelos de floresta aleatória, regressão logística, máquina de vetor de suporte (SVM), K-vizinhos mais próximos (KNN) e LightGBM. As áreas sob as curvas (AUCs) usando o modelo MLP foram 0,852 para sepse ou choque séptico, 0,743 para internação na UTI e 0,796 para mortalidade por todas as causas. A partir dos resultados, os autores concluíram que o modelo preditivo de IA em tempo real é um método promissor para prever desfechos adversos em pacientes do pronto-socorro com crises hiperglicêmicas. No entanto, há desafios na implementação da IA em hospitais, incluindo políticas hospitalares, cooperação do departamento de informática, desafios técnicos na integração com o SIH e preocupações sobre responsabilidade médica, precisão e aceitação pelos médicos.
Os autores também observaram que o modelo de IA não foi superior ao escore PHD (Predicting the Hyperglycemic Crisis Death) na previsão de admissão em UTI, mas superou o escore PHD na previsão de mortalidade por todas as causas. Além disso, o estudo mostrou que o modelo de IA tendeu a ter menor admissão em UTI e mortalidade por todas as causas em comparação com o grupo não-IA, embora as diferenças não tenham sido estatisticamente significativas. Em suma, o estudo de Hsu et al. (2023) contribui para a área de IA em saúde, demonstrando o potencial da IA na previsão de desfechos adversos em pacientes com crises hiperglicêmicas, mas também destaca os desafios de implementação e a necessidade de mais estudos para validar e aprimorar os modelos de IA.
O uso de aplicativos de autogestão e monitoramento baseados em inteligência artificial (IA) tem se mostrado uma abordagem inovadora na gestão de diversas condições de saúde, adicionalmente, um estudo conduzido por Marcuzzi et al., (2023)18 teve como objetivo determinar o impacto de um aplicativo de autogestão baseado em IA (SELFBACK) na saúde musculoesquelética de pacientes com dor cervical e/ou lombar. Os resultados não demonstraram benefícios significativos do suporte de autogestão personalizado baseado em IA, em adição aos cuidados habituais, na melhoria da saúde musculoesquelética em pacientes com dor cervical e/ou lombar durante o período de três meses, em comparação com a abordagem de cuidados habituais isoladamente ou com suporte de autogestão baseado na web não personalizado. Portanto, esses achados sugerem que a eficácia dos aplicativos de autogestão pode depender do contexto clínico e das condições específicas de cada paciente.
Em contraste, Shen et al., (2022)19 avaliaram os efeitos de um aplicativo de monitoramento odontológico assistido por IA em pacientes com periodontite, o estudo revelou melhorias significativas nos parâmetros clínicos, como: profundidade de sondagem e nível clínico de inserção, nos grupos que utilizaram a ferramenta de IA em comparação com o grupo controle. Especificamente, observou-se uma redução média de 0,9 mm e 1,4 mm na profundidade de sondagem e 0,8 mm e 1,4 mm no nível de fixação clínica nos grupos IA e AIHC (IA com aconselhamento humano) respectivamente, indicando que o monitoramento assistido por IA pode ser eficaz no manejo da periodontite, proporcionando benefícios clínicos tangíveis.
Por conseguinte, a influência do aconselhamento adicional sobre a eficácia dos aplicativos de IA foi evidenciada por Shen et al., (2022), onde o grupo com aconselhamento humano adicional (AIHC) obteve melhores resultados do que o grupo com apenas monitoramento por IA. Em contraste, Marcuzzi et al., (2023) não incluíram aconselhamentos adicionais, o que pode ter influenciado nos seus resultados, ademais, ambos os estudos destacaram a necessidade de pesquisas adicionais para avaliar o impacto a longo prazo das intervenções de autogestão digitalmente apoiadas. Por fim, Marcuzzi et al., (2023) enfatizaram a importância de ferramentas de avaliação mais sensíveis e a implementação em ambientes especializados, enquanto Shen et al., (2022) sugeriram que explorar mais essa área poderia otimizar as intervenções baseadas em IA.
Phillips et al. (2019)20 objetivaram determinar a acurácia de um algoritmo de inteligência artificial na identificação de melanoma em imagens dermatoscópicas de lesões, obtidas com smartphones e câmeras digitais. Em um estudo prospectivo, multicêntrico e mascarado, os autores compararam a avaliação de um algoritmo de IA com a de médicos especialistas, utilizando o diagnóstico histopatológico como padrão-ouro. Os resultados demonstraram que o algoritmo de IA alcançou uma área sob a curva ROC de 95,8%, com sensibilidade de 100% e especificidade de 64,8%, utilizando imagens do iPhone 6s. Os especialistas, por sua vez, obtiveram uma área sob a curva ROC de 77,8% e uma especificidade de 69,9%. Concluíram que o algoritmo de IA demonstrou uma capacidade de identificar melanoma em imagens dermatoscópicas com uma precisão semelhante à dos especialistas.
Cadario et al. (2021)21 investigaram os fatores que influenciam a aceitação da inteligência artificial na área da saúde por parte dos pacientes. Os autores realizaram cinco experimentos online e um estudo de campo para avaliar a compreensão e a intenção de utilização de serviços de saúde baseados em IA. Os resultados indicaram que a compreensão subjetiva dos pacientes sobre o processo de tomada de decisão da IA é menor em comparação com a compreensão subjetiva das decisões tomadas por médicos humanos. Essa menor compreensão subjetiva contribui para a relutância dos pacientes em utilizar a IA na área da saúde. Os autores também descobriram que intervenções que aumentam a compreensão subjetiva dos pacientes sobre o processo de tomada de decisão da IA podem aumentar a sua aceitação.
Em ambos os artigos, a inteligência artificial demonstrou um desempenho promissor na área da saúde. No estudo de Phillips et al. (2019), o algoritmo de IA foi capaz de identificar melanoma com uma precisão semelhante à dos médicos especialistas, sugerindo um grande potencial para auxiliar no diagnóstico precoce e preciso dessa neoplasia. No entanto, Cadario et al. (2021) destacam que a aceitação da IA pelos pacientes ainda é um desafio, principalmente devido à falta de compreensão sobre como a IA funciona e toma decisões.
Apesar da alta precisão do algoritmo de IA na detecção de melanoma demonstrada por Phillips et al. (2019), Cadario et al. (2021) alertam que a implementação da IA na prática clínica pode ser dificultada pela relutância dos pacientes em utilizar tecnologias que não compreendem completamente. Isso ressalta a importância de se desenvolver estratégias para aumentar a compreensão e a confiança dos pacientes em relação à IA na área da saúde. Os resultados de Cadario et al. (2021) sugerem que intervenções direcionadas para aumentar a compreensão subjetiva dos pacientes sobre o processo de tomada de decisão da IA podem ser eficazes em promover a sua aceitação. Essas intervenções podem incluir explicações claras e simples sobre como a IA funciona, bem como informações sobre os benefícios e a segurança da tecnologia. No contexto do estudo de Phillips et al. (2019), intervenções que expliquem como o algoritmo de IA analisa as imagens dermatoscópicas e identifica características de melanoma podem aumentar a confiança dos pacientes no uso dessa tecnologia para o diagnóstico da doença.
Todos os artigos incluídos no presente trabalho demonstram uma tendência do uso da inteligência artificial nas diferentes áreas da saúde, demonstrando que há um impacto positivo na incorporação da tecnologia na rotina clínica de enfermeiros, médicos e dentistas.
CONCLUSÕES
Com base nos achados do presente estudo, infere-se que a utilização de inteligência artificial nas áreas da saúde, como medicina, odontologia e enfermagem, trazem grandes benefícios e um impacto positivo para o desenvolvimento de diagnósticos, tratamentos e novas ideias no cuidado a saúde, havendo uma tendência crescente no emprego da IA em ambientes da área da saúde. Deve-se realizar mais pesquisas relacionados ao tema, evidenciando as vantagens e limitações do emprego da IA nas áreas da saúde como um todo.
REFERÊNCIAS
1- Ching T, Himmelstein DS, Beaulieu-Jones BK, Kalinin AA, Do BT, Way GP, Enrico Ferrero E, Agapow PM, Zietz M, Hoffman MM, Xie W, Rosen GL, Lengerich BJ, Israeli J, Lanchantin J, Woloszynek S, Carpenter AE, Shrikumar A, Xu J, Cofer EM, Lavender CA, Turaga SC, Alexandari AM, Lu Z, Harris DJ, DeCaprio D, Qi Y, Kundaje A, Peng Y, Wiley LK, Segler LHS, Boca SM, Swamidass SJ, Huang A, Gitter A, Greene CS. Opportunities and obstacles for deep learning in biology and medicine. Journal of The Royal Society Interface. 2018; 15(141): 20170387. doi: https://doi.org/10.1098/rsif.2017.0387.
2- Mcgrow K. Artificial intelligence: Essentials for nursing. Nursing. 2019; 49(9):46-49. doi: https://doi.org/10.1097/01.NURSE.0000577716.57052.8d.
3- Val LF, Medeiros Júnior RC. Inteligência artificial: produção científica da enfermagem brasileira. Rev Científica Integrada. 2024; 6(spe):e202408. doi: https://doi.org/10.59464/2359-4632.2023.3283.
4- Krizhevsky A, Sutskever I, Hinton G. ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems. 2012; 25(2):1-9. doi: https://doi.org/10.1145/3065386.
5- LeCun Y, Bengio Y, Hinton G. Deep Learning. Nature. 2015; 521:436-444. doi: https://doi.org/ 10.1038/nature14539.
6- Russakovsky O, Deng J, Su H, Krause J, Satheesh S, Ma S, Huang Z, Karpathy A, Khosla A, Bernstein M, Berg AC, Fei-Fei L. ImageNet Large Scale Visual Recognition Challenge. Int J Comput Vis. 2015; 115:211-252. Doi: https://doi.org/10.1007/s11263-015-0816-y.
7- Hinton G, Vinyals O, Dean J. Distilling the knowledge in a neural network. Arxiv Preprint. 2015; arxiv:1503.02531. doi: https://doi.org/10.48550/arXiv.1503.02531.
8- Passos RP, Vilela J, Guanis & Barros. Inteligência artificial nas ciências da saúde. CPAQV Journal. 2018; 10(1):1-15. Doi: https://doi.org/10.36692/cpaqv-v10n1-1.
9- Aydogdu ALF. Inteligência artificial e enfermagem: reflexão sobre o uso de tecnologias no processo de cuidar. Revista De Enfermagem Da UFJF. 2022; 6(2):1-12. Doi: https://doi.org/10.34019/2446-5739.2020.v6.37017.
10- Rajkomar A, Oren E, Chen K, Dai AM, Hajaj N, Hardt M, Liu PJ, Liu X, Marcus J, Sun M, Sundberg P, Yee H, Zhang K, Zhang Y, Flores G, Duggan GE, Irvine J, Le Q, Litsch K, Mossin A, Tansuwan, Wang D, Wexler J, Wilson J, Ludwig D, Volchenboum SL, Chou K, Pearson M, Madabushi S, Shah NH, Butte AJ, Howell MD, Cui C, Corrado GS, Dean J. Scalable and accurate deep learning with electronic health records. Digital Medicine. 2018; 1(1):1-18. doi:https://doi.org/10.1038/s41746-018-0029-1.
11- Stokes F, Palmer A. Artificial Intelligence and Robotics in Nursing: Ethics of Caring as a Guide to Dividing Tasks Between AI and Humans. Nurs Philos. 2020; 21(4):e12306. doi: 10.1111/nup.12306.
12- Lacerda MR, Costenaro RGS. Metodologia de pesquisa para a enfermagem e saúde: resenha de livro. Rev. Bras. Enferm. 2016; 69 (5). Doi: https://doi.org/10.1590/0034-7167-2015-0135.
13- Su JJ, Yu DSF. Effects of a nurse-led eHealth cardiac rehabilitation programme on health outcomes of patients with coronary heart disease: a randomised controlled trial. International Journal of Nursing Studies. 2021; 122:104040. doi: http://dx.doi.org/10.1016/j.ijnurstu.2021.104040.
14- Noseworthy P, Attia ZI, Behnken EM, Giblon, RE, Abews K, LIU S, Agosse T, Linn ZD, Deng Y, Yin J. Artificial intelligence-guided screening for atrial fibrillation using electrocardiogram during sinus rhythm: a prospective non-randomised interventional trial. The Lancet. 2022; 400(10359):1206-1212. doi: http://dx.doi.org/10.1016/s0140-6736(22)01637-3.
15- Dembrower K, Crippa A, Colón E, Eklund M, Strand FS. CAD Trial Consortium. Artificial intelligence for breast cancer detection in screening mammography in Sweden: a prospective, population-based, paired-reader, non-inferiority study. The Lancet Oncology, 2023. 5(10):e703-e711. doi: 10.1016/S2589-7500(23)00153-X.
16- Arsiwala-scheppach LT., Castner NJ, Rohrer C, Mertens S, Kasneci E., Cejudo Grano de Oro J.E, Schwendicke F. Impact of artificial intelligence on dentists’ gaze during caries detection: A randomized controlled trial. Journal of Dentistry. 2024; 140:104793. doi: 10.1016/j.jdent.2023.104793.
17- Hsu CC, Kao Y, Hsu CC, Chen CJ, Hsu SL, Liu TL, Lin HJ, Wang JJ, Liu CF, Huang CC. Using artificial intelligence to predict adverse outcomes in emergency department patients with hyperglycemic crises in real time. BMC Endocrine Disorders. 2023; 23(234),1-25. Doi: https://doi.org/10.1186/s12902-023-01437-9.
18- Marcuzzi A, Nordstoga AL, Bach K, Asdahl L, Nilsen TIL, Bardal EM, Boldermo NO, Bertheussen GF, Marchand GH, Gismervik S, Mork PJ. Effect of an Artificial Intelligence-Based Self-Management App on Musculoskeletal Health in Patients With Neck and/or Low Back Pain Referred to Specialist Care: A Randomized Clinical Trial. JAMA Network Open. 2023; 6(6):e2320400. Doi: https://doi.org/10.1001/jamanetworkopen.2023.20400.
19- Shen KL, Huang CL, Lin YC, Du JK, Chen FL, Kabasawa Y, Chen CC, Huang HL. Effects of artificial intelligence‐assisted dental monitoring intervention in patients with periodontitis: A randomized controlled trial.Journal of Clinical Periodontology. 2022; 49(10): 988–998. Doi: https://doi.org/10.1111/jcpe.13675.
20- Phillips M, Marsden H, Jaffe W, Matin RN, Wali GN, Greenhalgh J, McGrath E, James R, Ladoyanni E, Bewley A, Argenziano G, Palamaras I. Assessment of Accuracy of an Artificial Intelligence Algorithm to Detect Melanoma in Images of Skin Lesions. JAMA Network Open. 2019; 2(10):e1913436. Doi: https://doi.org/10.1001/jamanetworkopen.2019.13436.
21- Cadario R, Longoni C, Morewedge CK, Carey K. Understanding, explaining, and utilizing medical artificial intelligence. Nature Human Behaviour. 2021; 5:1636-1642. Doi: https://doi.org/ 10.1038/s41562-021-01146-0.
1Universidade do Estado do Mato Grosso (UNEMAT), Mato Grosso.
ORCID: https://orcid.org/0000-0002-3248-4789. E-mail: mauricio@unemat.br.
2Faculdade de Odontologia da Universidade Estácio de Sá do Rio de Janeiro.
ORCID: https://orcid.org/0000-0002-6247-3706. E-mail: odonto.thyago@hotmail.com.
3Instituto Nacional de Ensino Superior (INADES).
ORCID: https://orcid.org/0000-0002-0595-6672. E-mail: dayanagouveianutri@gmail.com.
4Centro Universitário Estácio do Pantanal (UNIPANTAL).
ORCID: https://orcid.org/0000-0001-5482-0707. E-mail: nascimento.maraisa@gmail.com.
5Centro Universitário Lusíada (UNILUS), Santos- SP.
ORCID: https://orcid.org/0000-0002-4773-1834. E-mail: dramayramorgana@gmail.com.
6Faculdade de Odontologia de Ribeirão Preto, Universidade de São Paulo (FORP-USP).
ORCID: https://orcid.org/0000-0001-9451-6873. E-mail: felipesduarte@usp.br.