O USO DE INTELIGÊNCIA ARTIFICIAL NA ÁREA DA SAÚDE

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
Artificial intelligence for caries detection:  Randomized trial Sarah Mertens  et al2021 Alemanha Journal of Dentistry 
Artificial intelligence approach for the  analysis of placebo controlled clinical trials  in major depressive disorders accounting  for individual propensity to respond to  placeboRoberto  Gomeni et al2023 Estados  UnidosTranslational Psychiatry
Blinded, randomized trial of sonographer  versus AI cardiac function assessmentHe Brayen et  al.2023 Estados  UnidosNature
Artificial intelligence application versus  physical therapist for squat evaluation: a  randomized controlled trialLuna  Alessandro et  al. 2021 Estados  UnidosScientific Reports
Assessment of Accuracy of an Artificial  Intelligence Algorithm to Detect Melanoma  in Images of Skin LesionsMichael Phillips  et al.2019 Reino  UnidoJAMA Network
Effects of an Artificial Intelligence Platform  for Behavioral Interventions on  Depressionand Anxiety Symptoms:  Randomized Clinical TrialShiri Sadeh Sharvit et al.2023 Estados  UnidosJournal of Medical Internet  Research
Effects of an Artificial Intelligence–Assisted Health Program on Workers With  Neck/Shoulder Pain/Stiffness and Low  Back Pain: Randomized Controlled TrialAnan et al 2021 JapanJMIR Mhealth Uhealth
8A Machine Learning Model for Accurate  Prediction of Sepsis in ICU PatientsWang et al2021ChinaFrontiers in Public Health
9Patient-Centered Pain Care Using Artificial  Intelligence and Mobile Health ToolsPiette et al. 2022Estados Unidos JAMA Internal Medicine
10Artificial intelligence for breast cancer  detection in screening mammography in Sweden: a prospective,  population-based, paired-reader, non-inferiority studyDembrower et  al2023Suécia Lancet Digit Health

Fonte: Autores, 2024.

Quadro 2: Análise de conteúdo dos artigos. (N=10). 

OBJETIVOS E METODOLOGIA RESULTADOS CONCLUSÃO
1O 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  avaliadasDentistas 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
2O 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.
3O 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.
4O 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 avaliadoresDos 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. 
5O 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.
6Determinar 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.
7Objetivo: 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.
8Desenvolver 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.
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