REGISTRO DOI: 10.5281/zenodo.10929458
Fellipe Portugal Fontanezzi Corsini1
Lucileide Aquino do Nascimento2
Rennan Silva Felix3
Belília Domireth Gomes Canga4
Illeane de Jesus Manhica da Costa Silva5
Resumo: A inteligência artificial tem sido utilizada cada vez mais na atualidade e tem sido empregada em diferentes áreas. Na saúde, o seu uso tem sido destinado para diferentes fins, sempre buscando trazer benefícios para os profissionais e para o paciente. O objetivo do presente estudo foi realizar uma revisão narrativa da literatura a respeito do uso de inteligência artificial na área da saúde. Para isso foi realizada uma busca na base de dados do “PubMed” utilizando os termos “artificial intelligence” e “health”. Após a aplicação de critérios de inclusão de exclusão, 10 artigos foram selecionados e incluídos no presente trabalho. Os resultados demonstraram que cada vez mais a inteligência artificial tem sido incorporada na área da saúde, tanto na medicina como em áreas afins como odontologia e outras. Com base nesses achados, conclui-se que os profissionais do futuro deverão se aprimorar nos processos de inteligência artificial, uma vez que terão diversas funções que podem exigir um conhecimento prévio do uso da IA no cotidiano.
Palavras-chave: Inteligência artificial; inteligência de máquina; área da saúde.
Abstract: Artificial intelligence has been used more and more nowadays and has been used in different areas. In healthcare, its use has been intended for different purposes, always seeking to bring benefits to professionals and patients. The objective of the present study was to carry out a narrative review of the literature regarding the use of artificial intelligence in the healthcare area. To do this, a search was carried out in the “PubMed” database using the terms “artificial intelligence” and “health”. After applying inclusion and exclusion criteria, 10 articles were selected and included in the present work. The results demonstrated that artificial intelligence has increasingly been incorporated into the healthcare sector, both in medicine and in related areas such as dentistry and others. Based on these findings, it is concluded that professionals of the future will need to improve in artificial intelligence processes, as they will have several functions that may require prior knowledge of the use of AI in everyday life.
Key-words: Artificial intelligence; health; intelligence.
Introdução
A inteligência artificial é uma área da ciência da computação utilizada para descrever o uso de algoritmos matemáticos específicos. Isso é alcançado por meio do uso de comandos e modelos matemáticos especializados que capacitam os softwares a aprenderem com os dados, reconhecerem padrões, tomar decisões e resolver problemas de forma autônoma (ITCHHAPORIA et al., 2022). Um dos principais métodos utilizados na inteligência artificial é o uso de redes neurais, que são modelos computacionais inspirados no funcionamento do cérebro humano. Essas redes são treinadas com grandes conjuntos de dados para reconhecer padrões e fazer previsões, permitindo que as máquinas ajam de forma inteligente em diversas situações (AUNG et al., 2021; ITCHHAPORIA et al., 2022).
O surgimento da inteligência artificial remonta a 1950, com Alan Turing e seu artigo “Computing Machinery and Intelligence”, que propôs o teste de Turing para comparar a eficiência de computadores e humanos na solução de problemas (LOBO et al., 2017). O termo “Inteligência Artificial” foi criado em 1956 durante uma conferência no Dartmouth College por McCarthy e outros, e sua aplicação na medicina começou com um artigo na Shortlife em 1963. Atualmente, a inteligência artificial na medicina é reconhecida como uma parte essencial da informática médica e um recurso importante na solução de problemas de saúde. As pesquisas iniciais visavam capturar o conhecimento de especialistas para desenvolver sistemas de apoio ou propor soluções clínicas (LOBO et al., 2017; KESKINBORA et al., 2020).
A utilidade da inteligência artificial aplicada à medicina está associada a grande quantidade de dados relacionados à saúde disponíveis nos bancos de dados e por isso é possível aprimorar a compreensão dos fatores que influenciam a origem, diagnóstico e tratamento de problemas de saúde, tanto em nível individual quanto em escala populacional. Isso abrirá caminho para a proposição de novas estratégias direcionadas à promoção, prevenção e recuperação da saúde (LOBO et al., 2017).
As aplicações da inteligência artificial na medicina são vastas e abrangem diferentes graus de complexidade. Uma forma comum de usar a inteligência artificial na área da saúde é desenvolver algoritmos a partir de dados coletados e aplicá-los a problemas específicos. Esses algoritmos já demonstraram sua utilidade em várias situações, como na identificação precoce de micro melanomas, o que pode resultar em uma redução na mortalidade e na necessidade de tratamentos intensivos. No entanto, o sucesso desses algoritmos depende da disponibilidade de dados adequados para construir modelos de previsão confiáveis. Por exemplo, na cardiologia, os dados podem vir de diferentes fontes, como exames de eletrocardiograma e tecnologias de análise molecular, que ajudam a avaliar o risco dos pacientes (ITCHHAPORIA et al., 2022; OSSOWSKA et al., 2022). A odontologia também pode utilizar a inteligência artificial, especialmente em áreas como radiologia e diagnóstico. Esses avanços prometem revolucionar a prática odontológica, oferecendo benefícios como economia de tempo e melhorias na qualidade do cuidado ao paciente (OSSOWSKA et al., 2022).
Dessa forma, a utilização de inteligência artificial pode mitigar a sobrecarga laboral enfrentada pelos profissionais da saúde. Embora as tecnologias da informação, como o prontuário eletrônico, tenham sido desenvolvidas com o intuito de simplificar e unificar os cuidados ao paciente, isso acabou gerando sintomas de exaustão em muitos médicos, devido à dificuldade de lidar com os sistemas e ao peso de sua burocracia (AUNG et al., 2021).
A inteligência artificial também pode reduzir a carga de trabalho em áreas que envolvem análise de imagens diagnósticas. Ela pode atuar como uma ferramenta de triagem inicial na interpretação de exames, priorizando aqueles que demandam maior atenção, para que os médicos possam direcionar sua atenção às situações críticas de forma mais rápida. Da mesma forma, na cardiologia e na radiologia, a inteligência artificial pode ser empregada como uma ferramenta preliminar para analisar imagens, podendo até mesmo elaborar parcialmente relatórios para serem posteriormente revisados e aprovados pelos médicos. Isso não apenas diminui a carga de trabalho manual, mas também pode evitar a necessidade de investigações adicionais desnecessárias (AUNG et al., 2021; ITCHHAPORIA et al., 2022).
Por outro lado, os sistemas de inteligência artificial são geralmente percebidos como carentes de um status moral definido. Em relação aos programas em si, temos a liberdade de modificar, copiar, encerrar, eliminar e utilizar os programas de computador conforme desejado (KESKINBORA et al., 2020). Nossas interações morais e éticas com os sistemas de inteligência artificial contemporâneos são principalmente fundamentadas em nossas responsabilidades para com outros seres, como os membros da raça humana, em vez de para com os próprios sistemas. Embora haja um entendimento comum de que os sistemas de inteligência artificial atuais carecem de um status moral/ético, ainda não está claro quais características determinarão esse status no futuro (GOMES et al., 2018; KESKINBORA et al., 2020.)
Nesse sentido, com o avanço da inteligência artificial, há uma reconfiguração dos processos de decisão, ação e criação que historicamente foram atribuídos exclusivamente aos seres humanos. Isso desafia o conceito de excepcionalismo humano, que sustenta muitas das estruturas sociais e culturais ao longo da história. A integração de algoritmos e inteligência artificial em vários aspectos da vida cotidiana questiona a ideia de que os humanos são únicos em sua capacidade de raciocínio e tomada de decisões (GOMES et al., 2018; AUNG et al., 2021).
O avanço da inteligência artificial também levanta questões profundas sobre as implicações sociais e éticas de seu uso generalizado. Isso inclui considerações sobre justiça, equidade, transparência e responsabilidade nos sistemas de inteligência artificial. Enquanto se reconhece o potencial transformador das interações entre humanos e máquinas, é importante manter um olhar crítico sobre as relações de poder e forças econômicas envolvidas. Isso implica considerar como os modelos hegemônicos de negócios e epistemologias influenciam os arranjos da inteligência artificial e quem se beneficia deles (AUNG et al., 2021; BRUNO et al., 2023). Há uma necessidade urgente de uma abordagem crítica e reflexiva em relação à implementação da inteligência artificial na saúde, garantindo que os benefícios potenciais sejam maximizados enquanto os riscos e danos sejam minimizados e mitigados de forma eficaz. Isso requer uma consideração cuidadosa das implicações éticas, sociais e políticas envolvidas, bem como o desenvolvimento de estruturas regulatórias e de governança adequadas (BRUNO et al., 2023).
Portanto, a inteligência artificial tem se mostrado uma ferramenta indispensável em diversos setores, especialmente na área da saúde. No entanto, é crucial abordar questões éticas, de segurança e de acesso equitativo aos serviços para garantir que seu uso beneficie verdadeiramente a sociedade. É necessário desenvolver políticas públicas de longo prazo que promovam o uso responsável da inteligência artificial, tanto no setor público quanto no privado, visando o bem-estar social e a proteção dos direitos individuais dos cidadãos (GOMES et al., 2018).
Metodologia
Foi realizada uma revisão narrativa da literatura a respeito do uso de inteligência artificial na área da saúde. Esse tipo de estudo possui uma metodologia descritiva a partir de uma análise teórico-contextual. A partir de uma busca de um tema específico de forma descritiva na literatura, se constrói um compilado de dados a respeito do assunto estudado (BRUM et al., 2015).
A base de dados utilizada foi o “PubMed”, em que se pesquisou os termos “artificial intelligence” e “health”. Foram buscados artigos publicados entre os anos de 2019 e 2024. Os critérios de inclusão foram artigos originais de estudos primários ou revisões em português, inglês ou espanhol com ênfase no uso de inteligência artificial na área da saúde. Foram excluídos estudos não disponíveis gratuitamente e estudos não relacionados ao objeto de pesquisa. Após a aplicação dessas estratégias, 10 artigos foram lidos integralmente e selecionados para serem utilizados em nosso trabalho. Os resultados foram demonstrados em quadros demonstrativos com o conteúdo extraído dos artigos.
Resultados
Os resultados encontrados com base na leitura e análise do conteúdo dos artigos selecionados estão expressos nos quadros abaixo. No Quadro 1 verifica-se a caracterização dos artigos incluídos em nosso trabalho, enquanto que no Quadro 2 nota-se a análise do conteúdo desses artigos.
Quadro 1: Caracterização dos artigos. (N=10).
| N° | TÍTULO | AUTORIA | ANO | PAÍS | REVISTA |
| 1 | Artificial intelligence for caries detection: Randomized trial | Sarah Mertens et al | 2021 | Alemanha | Journal of Dentistry |
| 2 | Artificial intelligence approach for the analysis of placebo controlled clinical trials in major depressive disorders accounting for individual propensity to respond to placebo | Roberto Gomeni et al | 2023 | Estados Unidos | Translational Psychiatry |
| 3 | Blinded, randomized trial of sonographer versus AI cardiac function assessment | He Brayen et al. | 2023 | Estados Unidos | Nature |
| 4 | Artificial intelligence application versus physical therapist for squat evaluation: a randomized controlled trial | Luna Alessandro et al. | 2021 | Estados Unidos | Scientific Reports |
| 5 | Assessment of Accuracy of an Artificial Intelligence Algorithm to Detect Melanoma in Images of Skin Lesions | Michael Phillips et al. | 2019 | Reino Unido | JAMA Network |
| 6 | Effects of an Artificial Intelligence Platform for Behavioral Interventions on Depressionand Anxiety Symptoms: Randomized Clinical Trial | Shiri Sadeh Sharvit et al. | 2023 | Estados Unidos | Journal of Medical Internet Research |
| 7 | Effects of an Artificial Intelligence–Assisted Health Program on Workers With Neck/Shoulder Pain/Stiffness and Low Back Pain: Randomized Controlled Trial | Anan et al | 2021 | Japan | JMIR Mhealth Uhealth |
| 8 | A Machine Learning Model for Accurate Prediction of Sepsis in ICU Patients | Wang et al | 2021 | China | Frontiers in Public Health |
| 9 | Patient-Centered Pain Care Using Artificial Intelligence and Mobile Health Tools | Piette et al. | 2022 | Estados Unidos | JAMA Internal Medicine |
| 10 | Artificial intelligence for breast cancer detection in screening mammography in Sweden: a prospective, population-based, paired-reader, non-inferiority study | Dembrower et al | 2023 | Suécia | Lancet Digit Health |
Fonte: Autores, 2024.
Quadro 2: Análise de conteúdo dos artigos. (N=10).
| N° | OBJETIVOS E METODOLOGIA | RESULTADOS | CONCLUSÃO |
| 1 | O objetivo foi avaliar o impacto de um software de suporte diagnóstico baseado em inteligência artificial (IA) para detecção de cárie proximal em radiografias interproximais. Foi realizado um ensaio clínico cruzado randomizado por cluster. Um software comercialmente disponível que emprega uma rede neural totalmente convolucional para detecção de cárie (dentalXrai Pro, dentalXrai Ltd.) foi empregado aleatoriamente por 22 dentistas, apoiando sua detecção de cárie em 20 mordidas escolhidas aleatoriamente de um conjunto de 140 mordidas, com 10 mordidas sendo suportadas aleatoriamente pela IA e 10 não. O teste de referência foi estabelecido por 4 + 1 especialistas independentes de forma pixel a pixel. A cárie foi subagrupada como cárie de esmalte, dentina inicial e cárie de dentina avançada, e a precisão e as decisões de tratamento para cada lesão de cárie foram avaliadas | Dentistas com IA apresentaram média significativamente maior (IC 95%) de área sob a curva Receiver Operating Characteristics (0,89; 0,87–0,90) do que aqueles sem IA (0,85; 0,83–0,86; p<0,05), principalmente quanto à sensibilidade foi significativamente maior (0,81; 0,74–0,87 em comparação com 0,72; 0,64–0,79; p<0,05), enquanto a especificidade não foi significativamente afetada (p>0,05). Este aumento na sensibilidade foi encontrado em esmalte, mas não em lesões dentinárias precoces ou avançadas. Maior sensibilidade veio com um aumento nas decisões de tratamento não invasivo, mas também invasivo (p<0,05). | A IA pode aumentar a precisão do diagnóstico dos dentistas, principalmente através do aumento da sua sensibilidade para detectar lesões no esmalte, mas também pode aumentar as decisões terapêuticas invasivas. As diferenças nos efeitos da IA para diferentes dentistas devem ser exploradas, e os dentistas devem ser orientados sobre qual terapia escolher ao detectar lesões de cárie usando o suporte da IA |
| 2 | O objetivo foi controlar o impacto da resposta ao placebo em ensaios clínicos randomizados controlados por placebo (ECRs). Desenvolveu um modelo de inteligência artificial para prever a resposta ao placebo em indivíduos atribuídos ao placebo, utilizando alterações da triagem até a linha de base de itens individuais da Escala de Avaliação de Depressão de Hamilton. Esse modelo é então utilizado para prever a probabilidade de resposta ao placebo em cada sujeito, com o inverso da probabilidade sendo utilizado como peso no modelo de efeitos mistos aplicado para avaliar o efeito do tratamento. | Incluem uma melhor compreensão e controle da resposta ao placebo em ensaios clínicos, permitindo uma avaliação mais precisa do efeito do tratamento ativo. A utilização da inteligência artificial e da propensão individual para responder ao placebo pode contribuir para a identificação de respostas placebo excessivamente elevadas e para a comparação justa do efeito do tratamento em estudos de transtorno depressivo maior. | O estudo conclui que o método proposto oferece uma estratégia para reduzir o impacto da resposta ao placebo e fornecer resultados mais precisos e menos tendenciosos em ECRs. |
| 3 | O objetivo foi avaliar prospectivamente o efeito da avaliação inicial por inteligência artificial (IA) em comparação com a avaliação inicial convencional realizada por um ultrassonografista na interpretação final da fração de ejeção do ventrículo esquerdo (FEVE) pelo cardiologista. Trata-se de um um ensaio clínico randomizado, cego.. Foram reavaliados 3.769 estudos de ecocardiograma por 25 ultrassonografistas cardíacos e 10 cardiologistas, e após a aplicação do método de cálculo de FEVE de Simpson, 3.495 estudos foram considerados elegíveis. Esses estudos foram randomizados em uma proporção de 1:1, com 1.740 estudos atribuídos ao grupo de IA e 1.755 estudos ao grupo de sonografistas para avaliação inicial. Posteriormente, os cardiologistas realizaram uma avaliação final cega da FEVE após receberem as anotações iniciais. O mascaramento foi avaliado utilizando o Índice de Blinding de Bang. Os resultados foram analisados estatisticamente para comparar as diferenças na FEVE entre os grupos de IA e sonografistas. | A proporção de estudos substancialmente alterados foi de 16,8% no grupo IA e 27,2% no grupo ultrassonografista. A diferença média absoluta entre a avaliação final do cardiologista e a avaliação prévia independente do cardiologista foi de 6,29% no grupo IA e 7,23% no grupo ultrassonografista. O fluxo de trabalho guiado por IA economizou tempo tanto para ultrassonografistas quanto para cardiologistas, e os cardiologistas não conseguiram distinguir entre as avaliações iniciais por IA e as do ultrassonografista. | Foi concluído que a avaliação inicial da FEVE por IA foi não inferior nem superior à avaliação por ultrassonografistas. Além disso, a IA proporcionou uma economia de tempo significativa e uma consistência maior com as avaliações prévias realizadas por cardiologistas. Esses achados sugerem que as ferramentas de IA podem melhorar tanto a eficácia quanto a eficiência na avaliação da função cardíaca, e mais estudos são necessários para avaliar o impacto da orientação por IA em múltiplos centros. |
| 4 | O objetivo do estudo foi avaliar a capacidade de um aplicativo móvel de inteligência artificial (IA) comercializado para identificar e melhorar a forma de agachamento com peso corporal em participantes adultos comparado ao o ao feedback de um fisioterapeuta. Trata-se de um ensaio clínico randomizado, cego. Trinta participantes foram randomizados para dois grupos: um grupo que recebeu feedback da IA e outro que recebeu feedback do fisioterapeuta. Os participantes realizaram três séries de agachamentos: 10 agachamentos sem assistência, 10 agachamentos com feedback da IA ou do fisioterapeuta, e 10 agachamentos adicionais sem assistência. Os resultados foram avaliados por três avaliadores | Dos 600 agachamentos realizados, 307 (51,2%) foram considerados corretos e 293 (48,8%) foram considerados incorretos pelos avaliadores. A IA apresentou sensibilidade de 0,840 e especificidade de 0,276 na identificação da forma correta de agachamento. No entanto, não houve diferença estatisticamente significativa entre os grupos que receberam feedback da IA e do PT em relação ao desempenho do agachamento. | Embora a IA tenha demonstrado capacidade satisfatória para identificar a forma correta de agachamento, sua capacidade de identificar formas incorretas foi limitada, o que reduz suas capacidades diagnósticas. Não houve associação estatisticamente significativa entre a alocação do grupo e a melhoria do desempenho do agachamento. |
| 5 | O objetivo do estudo foi determinar a precisão de um algoritmo de inteligência artificial na identificação de melanoma em imagens dermatoscópicas de lesões obtidas com smartphones e câmeras digitais single-lens reflex (DSLR). | Os resultados do estudo mostraram que o algoritmo de inteligência artificial e os especialistas identificaram melanoma em lesões cutâneas pigmentadas suspeitas, selecionadas com um nível de precisão semelhante. Mais da metade dos diagnósticos de melanoma foram in situ ou com menos de 1 mm de profundidade, indicando que o algoritmo poderia desempenhar um papel na detecção de lesões finas ou em estágio inicial. Além disso, a inclusão de lesões de controle permitiu mostrar que o algoritmo mantém uma alta especificidade quando as lesões de controle são avaliadas. | As conclusões do estudo indicam que um algoritmo de inteligência artificial, utilizando diferentes tipos de câmeras, pode detectar melanoma com um nível de precisão semelhante ao dos especialistas. Isso sugere que o desenvolvimento de métodos de rastreio de baixo custo, como serviços baseados em inteligência artificial, poderia transformar os caminhos de diagnóstico dos pacientes, permitindo maior eficiência em todo o serviço de saúde. No entanto, o estudo também apontou algumas limitações, como a necessidade de cautela na extrapolação dos resultados para outros contextos clínicos, problemas técnicos com o equipamento utilizado e a necessidade de testar os resultados em outros tipos de câmeras. |
| 6 | Determinar a viabilidade, aceitabilidade e eficácia preliminar de uma plataforma de IA para saúde comportamental. Além de testar se o uso da plataforma de IA poderia melhorar os resultados em relação à depressão e ansiedade em adultos que recebem terapia cognitivo comportamental ambulatorial em uma clínica comunitária em comparação com pacientes que recebem tratamento usual. | Os participantes do grupo que utilizaram a plataforma de IA participaram, em média, de 67% mais sessões em comparação com o grupo que recebeu tratamento usual. Os sintomas de depressão e ansiedade foram reduzidos em 34% e 29%, respectivamente, no grupo que utilizou a plataforma de IA, em comparação com 20% e 8% para o grupo que recebeu tratamento usual. Os pacientes de ambos os grupos relataram alta satisfação com o tratamento e consideraram-no altamente útil para alcançarem seus objetivos, sem diferenças significativas entre os grupos. Os terapeutas do grupo de IA forneceram avaliações qualitativas positivas sobre a sua experiência com a plataforma, destacando uma maior compreensão no dia a dia clínico e na redução do uso de documentação física. | As conclusões do estudo indicam que fornecer terapia em ambientes de saúde comportamental com o apoio de uma plataforma de inteligência artificial foi mais eficaz do que o tratamento usual. O uso da plataforma de IA resultou em maior frequência às sessões e melhores resultados de depressão e ansiedade. Além disso, os resultados sugerem que uma plataforma de IA projetada para melhorar a prática baseada em evidências melhora a retenção de clientes e os resultados do tratamento em ambientes presenciais. |
| 7 | Objetivo: avaliar as melhorias nos sintomas musculoesqueléticos em trabalhadores com rigidez/dor no pescoço/ombros e dor lombar após o uso de um sistema interativo de promoção da saúde assistido por inteligência artificial (IA) baseado em exercícios que opera por meio de um aplicativo de mensagens móveis. E quanto à metodologia trata-se de um estudo prospectivo. | Avaliação subjetiva do grau de dor numa escala de 1 a 5. Os participantes foram solicitados a avaliar subjetivamente se a dor havia melhorado após 12 semanas, aqueles que responderam que a dor melhorou ou melhorou ligeiramente foram definidos como o grupo que apresentou melhora subjetiva. O nível médio de dor no pescoço/ombros, rigidez/ dor ou dor lombar foi de 3,0 (DP 1,1) no grupo de intervenção e 4,0 (DP 0,8) no grupo de controle com diferença significativa estatisticamente (P <0,001) entre os grupos intervenção e controle. No grupo de intervenção, a proporção de participantes que apresentaram sintomas graves diminuiu de 77% (37/48) no início do estudo para 33% (16/48) após a intervenção, já o grupo controle os participantes com sintomas graves diminuiu de 76% (33/46) para 67% (31/46) houve uma diferença estatisticamente significativa entre os grupos. | Avaliação subjetiva do grau de dor numa escala de 1 a 5. Os participantes foram solicitados a avaliar subjetivamente se a dor havia melhorado após 12 semanas, aqueles que responderam que a dor melhorou ou melhorou ligeiramente foram definidos como o grupo que apresentou melhora subjetiva. O nível médio de dor no pescoço/ombros, rigidez/ dor ou dor lombar foi de 3,0 (DP 1,1) no grupo de intervenção e 4,0 (DP 0,8) no grupo de controle com diferença significativa estatisticamente (P <0,001) entre os grupos intervenção e controle. No grupo de intervenção, a proporção de participantes que apresentaram sintomas graves diminuiu de 77% (37/48) no início do estudo para 33% (16/48) após a intervenção, já o grupo controle os participantes com sintomas graves diminuiu de 76% (33/46) para 67% (31/46) houve uma diferença estatisticamente significativa entre os grupos. |
| 8 | Desenvolver um algoritmo de inteligência artificial que pudesse prever a sepse precocemente/ Utilizar métodos de aprendizado de máquina para desenvolver um modelo capaz de prever a sepse precocemente, visando identificar pacientes de alto risco e melhorar o manejo clínico dessa condição. E quanto à metodologia trata-se estudo de coorte observacional. | Uma validação cruzada de 5 vezes foi usada para avaliar a precisão da previsão do modelo. O modelo de floresta aleatória teve um bom desempenho na previsão da sepse, com uma AUC média de 0,88 e uma precisão de 0,88 na validação interna. Na validação externa, a AUC foi de 0,91 e a acurácia foi de 0,87, indicando uma boa capacidade de prever a condição de sepse em pacientes. O recall, que mede a proporção de verdadeiros positivos, também foi alto, com valores de 0,96 na validação interna e 0,95 na validação externa. Esses resultados sugerem que o modelo é eficaz na identificação de pacientes em risco de sepse. | Acredita-se que, como a sepse não é uma doença simples que pode ser prevista por um único marcador, os biomarcadores incluídos em no modelo podem ser combinados para prever o risco de sepse em pacientes infectados. |
| 9 | O objetivo do estudo foi determinar se a terapia cognitivo comportamental (TCC) que personaliza o tratamento do paciente com dor crônica utilizando a inteligência artificial (IA) e aprendizagem por reforço não é inferior à TCC padrão por telefone, e se diminui o tempo do terapeuta. A metodologia utilizada no estudo foi um ensaio randomizado de não inferioridade, de eficácia comparativa. | A população do estudo incluiu 278 pacientes. O critério de não inferioridade foi atendido em ambos os pontos finais de 3 e 6 meses. Uma maior proporção de pacientes que receberam a TCC associada a IA (TCC-IA) apresentou melhorias clinicamente significativas em 6 meses. A terapia para dor crônica utilizando a TCC-IA exigiu menos da metade do tempo do terapeuta em comparação com a TCC padrão. | O estudo concluiu que a TCC-IA não foi inferior à TCC telefônica entregue pelo terapeuta e exigiu substancialmente menos tempo do terapeuta. Intervenções como a TCC-IA poderiam permitir que muitos mais pacientes fossem atendidos eficazmente por programas de TCC usando o mesmo número de terapeutas. |
| 10 | O objetivo do estudo foi conduzir um ensaio clínico prospectivo para examinar como a inteligência artificial afeta a detecção de câncer e resultados falso positivos. | Como resultado do ensaio, a leitura dupla por um radiologista mais IA não foi inferior para a detecção de câncer em comparação com a leitura dupla por dois radiologistas (261 [0,5%] vs. 250 [0,4%] casos detectados; A leitura única por IA (246 [0,4%] vs. 250 [0,4%] casos detectados; e a leitura tripla por dois radiologistas mais IA (269 [0,5%] vs. 250 [0,4%] casos detectados; também foram não inferiores à leitura dupla por dois radiologistas. | O estudo concluiu que substituir um radiologista por IA para leitura independente de mamografias de triagem resultou em uma taxa de detecção de câncer não inferior a 4% maior em comparação com a leitura dupla de radiologistas. O estudo sugere que a IA no ambiente do estudo tem potencial para uma implementação controlada, que incluiria gerenciamento de riscos e acompanhamento do desempenho. |
Fonte: Autores, 2024.
Discussão
A inteligência artificial pode ser utilizada em diversas áreas, como por exemplo, na Odontologia. Sarah Mertens et al. (2021) realizaram um ensaio clínico randomizado, controlado, não cego, cruzado por cluster, com uma proporção de alocação de 1:1, sobre Inteligência artificial para detecção de cárie. Tratou-se de um ensaio randomizado, que foi empregado aleatoriamente a 22 dentistas (6 mulheres, 16 homens), com idade média de 38 anos, apoiando sua detecção de cárie em 20 mordidas escolhidas aleatoriamente de um conjunto de 140 mordidas, com 10 mordidas sendo suportadas aleatoriamente pela IA e 10 não. Os participantes avaliaram radiografias com e sem o auxílio da IA, e diversos desfechos foram medidos, incluindo a área sob a curva Receiver-Operating-Characteristics (ROCAUC), precisão, sensibilidade, especificidade, entre outros. Esse estudo indicou que a IA pode aumentar a precisão do diagnóstico dos dentistas, principalmente ao aumentar a sensibilidade na detecção de lesões de cárie.
De encontro a isso, na psiquiatria, Roberto Gomeni et al. (2023) realizaram análises de ensaios clínicos controlados por placebo em transtornos depressivos maiores, levando em consideração a propensão individual para responder ao placebo. O estudo desenvolveu um modelo de inteligência artificial para prever a resposta ao placebo em indivíduos atribuídos ao braço placebo, utilizando alterações da triagem até a linha de base de itens individuais da Escala de Avaliação de Depressão de Hamilton. Esse modelo foi usado para ponderar a análise do efeito do tratamento, resultando em estimativas mais precisas. Os resultados evidenciaram a melhoria e o controle da resposta ao placebo, permitindo uma avaliação mais precisa do tratamento ativo e comparabilidade entre os braços de tratamento.
He Brayen et al. (2023) desenvolveram um estudo em que oobjetivo foi avaliar prospectivamente o efeito da avaliação inicial por inteligência artificial (IA) em comparação com a avaliação inicial convencional realizada por um ultrassonografista na interpretação final da fração de ejeção do ventrículo esquerdo (FEVE) pelo cardiologista. Tratou-se de um um ensaio clínico randomizado, cego em que foram reavaliados 3.769 estudos de ecocardiograma por 25 ultrassonografistas cardíacos e 10 cardiologistas, e após a aplicação do método de cálculo de FEVE de Simpson, 3.495 estudos foram considerados elegíveis. Esses estudos foram randomizados em uma proporção de 1:1, com 1.740 estudos atribuídos ao grupo de IA e 1.755 estudos ao grupo de sonografistas para avaliação inicial. Os resultados foram analisados estatisticamente para comparar as diferenças na FEVE entre os grupos de IA e sonografistas. A proporção de estudos substancialmente alterados foi de 16,8% no grupo IA e 27,2% no grupo ultrassonografista. A diferença média absoluta entre a avaliação final do cardiologista e a avaliação prévia independente do cardiologista foi de 6,29% no grupo IA e 7,23% no grupo ultrassonografista. O fluxo de trabalho guiado por IA economizou tempo tanto para ultrassonografistas quanto para cardiologistas, e os cardiologistas não conseguiram distinguir entre as avaliações iniciais por IA e as do ultrassonografista. Foi concluído que a avaliação inicial da FEVE por IA foi não inferior nem superior à avaliação por ultrassonografistas. Além disso, a IA proporcionou uma economia de tempo significativa e uma consistência maior com as avaliações prévias realizadas por cardiologistas. Esses achados sugerem que as ferramentas de IA podem melhorar tanto a eficácia quanto a eficiência na avaliação da função cardíaca, e mais estudos são necessários para avaliar o impacto da orientação por IA em múltiplos centros.
Luna Alessandro et al. (2021) avaliaram a capacidade de um aplicativo móvel de inteligência artificial (IA) comercializado para identificar e melhorar a forma de agachamento com peso corporal em participantes adultos comparado ao feedback de um fisioterapeuta através de um ensaio clínico randomizado e cego. Trinta participantes foram randomizados para dois grupos: um grupo que recebeu feedback da IA e outro que recebeu feedback do fisioterapeuta. Os participantes realizaram três séries de agachamentos: 10 agachamentos sem assistência, 10 agachamentos com feedback da IA ou do fisioterapeuta, e 10 agachamentos adicionais sem assistência. Os resultados foram avaliados por três avaliadores. Dos 600 agachamentos realizados, 307 (51,2%) foram considerados corretos e 293 (48,8%) foram considerados incorretos pelos avaliadores. A IA apresentou sensibilidade de 0,840 e especificidade de 0,276 na identificação da forma correta de agachamento. No entanto, não houve diferença estatisticamente significativa entre os grupos que receberam feedback da IA e do PT em relação ao desempenho do agachamento. Embora a IA tenha demonstrado capacidade satisfatória para identificar a forma correta de agachamento, sua capacidade de identificar formas incorretas foi limitada, o que reduz suas capacidades diagnósticas.
Ao dispor dos algoritmos de inteligência artificial, Philips el al. (2019), destacaram que os mesmos possuem o potencial de desempenhar um papel crucial na detecção precoce e no diagnóstico preciso de um melanoma, inclusive semelhante à dos especialistas, sugerindo que a tecnologia de ferramenta pode auxiliar os profissionais de saúde no diagnóstico da doença. Isso levaria a uma detecção mais eficiente e a um encaminhamento mais preciso para biópsia, resultando em melhores desfechos para os pacientes. No entanto, é importante considerar as limitações identificadas, como o viés de validação em relação às lesões controle e os problemas técnicos com o equipamento utilizado. Essas limitações destacam a necessidade de validação clínica adicional e aprimoramento da tecnologia para garantir sua eficácia em diferentes contextos clínicos e com diferentes tipos de câmeras. Além disso, é essencial considerar questões éticas e de segurança relacionadas ao uso de algoritmos de inteligência artificial na prática clínica, garantindo que a tecnologia seja implementada de forma responsável.
Shiri Sadeh-Sharvit et al. (2023), demonstraram que a utilização de uma plataforma de inteligência artificial (IA) para apoiar a terapia comportamental em ambientes de saúde mental resultou em benefícios significativos. Os participantes que receberam terapia com o suporte da plataforma de IA apresentaram uma frequência maior de assiduidade nas sessões e experimentaram uma redução mais expressiva nos sintomas de depressão e ansiedade em comparação com aqueles que receberam o tratamento convencional. Além disso, os terapeutas que utilizaram a plataforma de IA conseguiram submeter suas notas de progressão com uma antecedência significativa em relação aos terapeutas do grupo de tratamento usual. Esses resultados sugerem que a integração da IA na prática clínica pode melhorar a eficácia e a eficiência dos cuidados de saúde comportamental, oferecendo potencialmente uma abordagem mais palpável e baseada em evidências para o tratamento de transtornos mentais.
Anan et al. (2021) realizaram um ensaio clínico randomizado com dois braços controlados e não cego em trabalhadores com rigidez/dor no pescoço/ombros ou dor lombar ou ambos. O grupo intervenção recebeu o programa assistido por IA com as instruções dos exercícios e o grupo controle continuou com as rotinas habituais durante 12 semanas. O grupo intervenção apresentou melhorias significativas na gravidade da dor/rigidez no pescoço/ombros e na dor lombar em comparação com grupo controle (OR 6,36, IC 95% 2,57-15,73; P<0,001). Subjetivamente a melhora da dor/rigidez (75%) dos 48 participantes do grupo de intervenção e (7%) dos 46 participantes do grupo de controle apresentaram melhorias.
Wang et al. (2021) realizaram um estudo de coorte observacional em uma Unidade de Terapia Intensiva, 4.449 pacientes infectados foram distribuídos aleatoriamente para o conjunto de dados de desenvolvimento e validação numa proporção de 4:1. O estudo contou com cinco índices de desempenho de predição, validação cruzada de cinco vezes para validação interna e conjunto de testes para validação externa de formas a se obter a precisão. O modelo foi testado e a área obtida pelo modelo sob a curva ROC (Receiver Operating Characteristic) (AUC) foi de 0,91, a sensibilidade foi de 87% e a especificidade foi de 89%.
Piette et al. realizaram um ensaio randomizado de não inferioridade que envolveu 278 pacientes com dor crônica nas costas. O estudo comparou a eficácia da terapia cognitivo-comportamental assistida por inteligência artificial com a terapia convencional padrão por telefone. Como resultado, o estudo demonstrou que uma maior proporção de pacientes que receberam a TCC associada a IA apresentou melhorias clinicamente significativas em 6 meses e diminuiu o tempo da consulta.
Dessa forma, concluiu-se que mais pessoas podem ser atendidas eficazmente pelo modelo da TCC-IA com o mesmo número de terapeutas.
Um estudo prospectivo realizado por Dembrower et al. em Estocolmo, Suécia, avaliou o uso da inteligência artificial (IA) como leitor independente de mamografias de rastreamento em mulheres entre 40 e 74 anos. Comparado à leitura dupla de radiologistas, a IA mostrou não inferioridade na detecção de câncer de mama. A substituição de um radiologista por IA resultou em uma taxa de detecção de câncer 4% maior. Os resultados indicam o potencial da implementação controlada da IA em mamografias de rastreamento, com gerenciamento de riscos e monitoramento do desempenho no cotidiano.
Considerações finais
O uso de inteligência artificial é cada vez mais comum na área da saúde, trazendo inúmeros benefícios para os profissionais, auxiliando no diagnóstico e até no tratamento de diversas doenças, o que trará melhorias na qualidade de vida do paciente. É importante que o profissional de saúde se mantenha atualizado às novas tendências, buscando sempre se aprimorar com o uso de novas tecnologias. Mais estudos devem ser realizados a respeito desse tema como forma de elucidar a importância da IA e suas contribuições para área da saúde.
Referências bibliográficas
ANAN, Tomomi et al. Effects of an artificial intelligence–assisted health program on workers with neck/shoulder pain/stiffness and low back pain: randomized controlled trial. JMIR mHealth and uHealth, v. 9, n. 9, p. e27535, 2021.
AUNG, Yuri YM; WONG, David CS; TING, Daniel SW. The promise of artificial intelligence: a review of the opportunities and challenges of artificial intelligence in healthcare. British medical bulletin, v. 139, n. 1, p. 4-15, 2021.
BRUM, C. N. et al. Revisão Narrativa de Literatura: aspectos conceituais e metodológicos na construção do conhecimento da enfermagem. In: LACERDA, M. R.; COSTENARO, R. G. S. (Orgs). Metodologias da pesquisa para a enfermagem e saúde: da teoria à prática. Porto Alegre: Moriá, 2015.
BRUNO, Fernanda; PEREIRA, Paula Cardoso; FALTAY, Paulo. Inteligência artificial e saúde: ressituar o problema. Revista Eletrônica de Comunicação, Informação & Inovação em Saúde, v. 17, n. 2, p. 235-242, 2023.
DEMBROWER, Karin et al. Artificial intelligence for breast cancer detection in screening mammography in Sweden: a prospective, population-based, paired-reader, non inferiority study. The Lancet Digital Health, v. 5, n. 10, p. e703-e711, 2023.
GOMES, Hermes Oliveira. Inteligência artificial na saúde pública e privada é possível?. Revista de Ciências Médicas e Biológicas, v. 17, n. 3, p. 285-286, 2018.
ITCHHAPORIA, Dipti. Artificial intelligence in cardiology. Trends in cardiovascular medicine, v. 32, n. 1, p. 34-41, 2022.
KESKINBORA, Kadircan; GÜVEN, Fatih. Artificial intelligence and ophthalmology. Turkish journal of ophthalmology, v. 50, n. 1, p. 37, 2020.
LOBO, Luiz Carlos. Inteligência artificial e medicina. Revista Brasileira de Educação Médica, v. 41, p. 185-193, 2017.
OSSOWSKA, Agata; KUSIAK, Aida; ŚWIETLIK, Dariusz. Artificial intelligence in dentistry—Narrative review. International journal of environmental research and public health, v. 19, n. 6, p. 3449, 2022.
PHILLIPS, M. et al. Assessment of Accuracy of an Artificial Intelligence Algorithm to Detect Melanoma in Images of Skin Lesions. JAMA Network Open, v. 2, n. 10, p. e1913436, 2019.
PIETTE, John D. et al. Patient-centered pain care using artificial intelligence and mobile health tools: a randomized comparative effectiveness trial. JAMA Internal Medicine, v. 182, n. 9, p. 975-983, 2022.
ROBERTO GOMENI; FRANÇOISE BRESSOLLE-GOMENI; MAURIZIO FAVA. Artificial intelligence approach for the analysis of placebo-controlled clinical trials in major depressive disorders accounting for individual propensity to respond to placebo. Translational Psychiatry, v. 13, n. 141, p.1-8, 2023.
SARAH MERTENS; JOACHIM KROIS; ANSELMO GARCIA CANTU; LUBAINA T. ARSIWALA, FALK SCHWENDICKE. Artificial intelligence for caries detection: Randomized trial. Journal of Dentistry, v. 115, e. 103849, 2021.
SHIRI SADEH-SHARVIT et al. Effects of an Artificial Intelligence Platform for Behavioral Interventions on Depression and Anxiety Symptoms: Randomized Clinical Trial. Journal of Medical Internet Research, v. 25, p. e46781–e46781, 2023.
WANG, Dong et al. A machine learning model for accurate prediction of sepsis in ICU patients. Frontiers in public health, v. 9, p. 754348, 2021.
1Centro Universitário de Volta Redonda
2Instituto Federal do Piauí
3Universidade de Pernambuco
4Universidade Federal do Rio Grande do Sul
5Universidade Federal do Paraná