USE OF ARTIFICIAL INTELLIGENCE IN AUTOMATION AND PROCESS IMPROVEMENT IN HEALTHCARE.
REGISTRO DOI: 10.69849/revistaft/ch10202411141113
Cicero Marques Sousa Pereira1;
Stênio de Sousa Coelho 2
Resumo
O estudo investigou o potencial da inteligência artificial para melhorar a precisão e a eficiência da detecção precoce de doenças, visando contribuir para aprimoramentos significativos na prática clínica e na prevenção de complicações relacionadas à saúde. O presente estudo trata-se uma revisão integrativa de literatura, com coleta de dados realizada no período de agosto a novembro de 2024. Foi elaborada a partir da pesquisa nas bases de dados como LILACS (Literatura Latina-Americana e do Caribe em Ciências da Saúde), SCIELO (Scientifi Eletronic Library Online) e PubMed (National Library of Medicine, EUA). Através do estudo constatou-se o crescente interesse e investimento na aplicação da inteligência artificial e aprendizado de máquina na área de diagnóstico por imagem. No entanto, é importante reconhecer que, apesar dos benefícios potenciais, ainda existem desafios a serem superados, incluindo questões relacionadas à interpretabilidade dos algoritmos, ética no uso de dados médicos e garantia da qualidade dos resultados obtidos.
Palavras-chave: Inteligência Artificial. Saúde. Atendimento.
1 INTRODUÇÃO
A Inteligência Artificial (IA) surge no cenário médico como uma nova orientação para a saúde, remodelando práticas, pesquisas e até a gestão de hospitais. Esses algoritmos têm a capacidade de ver além do que nossos sentidos restritos conseguem perceber. Pense em uma radiografia ou em uma tomografia computadorizada (TC). O que para nós é invisível, para a Inteligência Artificial funciona como um mapa exato. A atuação silenciosa de uma enfermidade – como o câncer ou um problema cardíaco – já não é mais ocultada, já que o algoritmo é capaz de identificar padrões que não são normais (Hernandez-Boussard, et al, 2020). Dessa forma, a medicina adquire um novo parceiro, apto a identificar sutilezas e padrões que são ignorados pelo olhar humano. O aprendizado automático, um dos mecanismos dessa gigantesca máquina de inovação, possibilita que esses sistemas não só absorvam, mas também aprendam continuamente, aperfeiçoando-se a cada nova informação que lhes é fornecida. Com essa direção, a Inteligência Artificial molda o futuro da medicina, antecipando diagnósticos, salvando vidas e alterando o rumo de batalhas que, em alguns momentos, pareciam invencíveis (Moraes, et al., 2023).
Inspiradas na operação do cérebro humano, as redes neurais artificiais funcionam como um reflexo digital do nosso próprio pensamento. Essas estruturas de computação, compostas por camadas de neurônios interligados, reproduzem em linguagem de programação as funções que os neurônios desempenham em nossa biologia. Na área médica, elas têm funções cruciais, como a avaliação acurada de imagens médicas como detectar um câncer numa radiografia com a habilidade de um especialista o processamento de linguagem natural, que simplifica a coleta de informações vitais dos prontuários eletrônicos.
Esta capacidade de análise abrange uma ampla gama de informações, desde os pormenores desvendando e detalhado até o perfil molecular e os dados clínicos do paciente. Assim, as redes neurais são capazes de reconhecer biomarcadores vitais e antecipar a reação de cada pessoa a diversos tratamentos diferentes. Elas se desenvolvem e se transformam, adaptando-se para proporcionar diagnósticos mais exatos e personalizados, definindo estratégias de cura que se ajustam ao paciente como uma única peça de um quebra-cabeça (Hernandez-Boussard, et al, 2020).
Nesse contexto a IA é um instrumento capaz de analisar o fluxo incessante de informações, e até complexos registros eletrônicos de saúde. Com o foco na cura, eles acompanham atentamente a trajetória silenciosa de pacientes que lidam diariamente com doenças crônicas, tais como diabetes, hipertensão e problemas cardíacos. Como se antecipassem o próximo quadro clínico, esses sistemas notificam os médicos ao menor indício de alteração na condição de saúde, possibilitando uma intervenção rápida. E não termina aí. Os chatbots, que funcionam como assistentes incansáveis, acessíveis ao toque de um dedo, proporcionam orientação personalizada, esclarecendo as dúvidas dos pacientes e auxiliando na identificação dos sinais corporais que, frequentemente, ignoramos. Quando necessário, orientam-nos para tratamentos adicionais. Assim, o acesso à assistência médica se torna mais simples, reduzindo a pressão sobre os sistemas de saúde (Cozman, 2021).
3
Os algoritmos de Processamento de Linguagem Natural (PLN) realizam uma extensa pesquisa, analisando registros eletrônicos de saúde, literatura científica e relatórios de ensaios clínicos com uma rapidez e exatidão que superam a habilidade humana. Esses algoritmos atuam como detetives silenciosos, desvendando padrões escondidos e revelando percepções valiosas. Na ampla área da saúde pública, a inteligência artificial atua, examinando dados da população e antecipando, com grande precisão, surtos de enfermidades que podem colocar em risco comunidades inteiras. Contudo, a jornada para a implementação completa dessas tecnologias na prática não é simples.
Para muitos, entenderem os modelos de Inteligência Artificial ainda é um desafio, e as questões éticas, sempre presentes, sempre desafiadoras. A salvaguarda dos dados requer níveis de segurança que assegurem a proteção das informações dos pacientes. Adicionalmente, enfrenta-se o desafio de integrar essas inovações tecnológicas de maneira harmoniosa com os sistemas de saúde já estabelecidos, como se fossem elementos de um imenso mosaico que precisam se encaixar perfeitamente para demonstrar seu potencial (Braz, 2020).
Contudo, mesmo que essa nova era de inovação seja fascinante, ela apresenta desafios que não podemos negligenciar. Quando os algoritmos começam a tomar decisões que impactam diretamente a existência humana, as linhas de privacidade se tornam fluidas e, inevitavelmente, surgem questões éticas. É possível confiar plenamente nas máquinas para tomar decisões médicas que envolvem a complexidade e a sensibilidade inerentes à natureza humana? Apesar de serem ágeis, essas inteligências artificiais realmente entendem o que é ser humano.?
No entanto, autilização da inteligência artificial tem contribuído para o desenvolvimento de sistemas que são capazes de oferecer diagnósticos e recomendações medicas com base em informações fornecidas pelos pacientes. Nesse contexto, o estudo tem como objetivo investigar o potencial da inteligência artificial para melhorar a precisão e a eficiência da detecção precoce de doenças, visando contribuir para aprimoramentos
significativos na prática clínica e na prevenção de complicações relacionadas à saúde. 2 FUNDAMENTAÇÃO TEÓRICA OU REVISÃO DA LITERATURA
A aplicação da Inteligência Artificial (IA) na área médica está focada nas inovações tecnológicas que permitem progressos notáveis no diagnóstico, tratamento e acompanhamento de enfermidades. Nos últimos anos, a aplicação da Inteligência Artificial em várias áreas da saúde ganhou força devido à sua habilidade de processar grandes quantidades de dados, reconhecer padrões complexos e apoiar decisões clínicas com elevada precisão e rapidez (Calster, 2020).
4
A avaliação de exames de imagem, tais como tomografias, ressonâncias magnéticas e radiografias, tem se destacado como um dos principais campos de aplicação da Inteligência Artificial (IA) no campo médico. Algoritmos de inteligência artificial, que funcionam como detetives digitais, são treinados para detectar padrões sutis que podem indicar a existência de enfermidades, possibilitando diagnósticos extremamente ágeis e exatos (Karahanna, 2020).
Portanto, a Inteligência Artificial não apenas favorece uma estratégia mais personalizada e individualizada, mas também é um marco na batalha contra o câncer, possibilitando que médicos e pacientes se unam na procura de soluções mais apropriadas e eficazes para as complexidades do tratamento oncológico. Esta progressão representa um avanço significativo rumo a um futuro em que a medicina se molda ao indivíduo, e não o contrário (Karahanna, 2020).
Na gestão de hospitais, a Inteligência Artificial (IA) tem se destacado como um instrumento valioso para aprimorar processos operacionais e potencializar a eficiência dos serviços médicos. Esses sistemas, graças à sua habilidade de análise de dados em tempo real, são capazes de antecipar a demanda por leitos hospitalares, possibilitando que as instituições se preparem para períodos de alta demanda e administrem de maneira mais eficaz os recursos existentes (Hernandez-Boussard, et al., 2020).
Com o crescimento da telemedicina, a Inteligência Artificial (IA) tem exercido uma função crucial no aprimoramento do atendimento remoto, tornando-o mais acessível e eficiente. Assistentes virtuais e chatbots com Inteligência Artificial não só simplificam a marcação de consultas médicas e elucidam questões frequentes, como também auxiliam no monitoramento
de sintomas de enfermidades crônicas, funcionando como um elo entre pacientes e profissionais de saúde (Bardhan et al., 2020).
Ademais, a Inteligência Artificial possibilita a análise de sinais vitais recolhidos à distância, tornando mais simples a supervisão em tempo real dos pacientes. Esta característica é particularmente preciosa em regiões isoladas ou com falta de médicos, onde a habilidade de acompanhar os pacientes de maneira constante se torna um obstáculo. Ao disponibilizar informações em tempo real, a Inteligência Artificial habilita os profissionais de saúde a agir de forma ágil em circunstâncias críticas, aprimorando os desfechos clínicos (Ortega-Bolaños et al., 2024).
A aplicação da Inteligência Artificial na área da saúde é uma transformação no cuidado médico, proporcionando diversas possibilidades para aprimorar a acurácia dos diagnósticos, customizar os tratamentos e aprimorar a administração hospitalar. Contudo, para assegurar a implementação segura e eficiente dessas inovações, é fundamental enfrentar os desafios éticos e regulamentares ligados ao emprego da Inteligência Artificial (Niazkar e Zakuan, 2021).
5
3 METODOLOGIA
O presente estudo trata-se uma revisão integrativa de literatura, com coleta de dados realizada no período de agosto a novembro de 2024. A revisão integrativa é um método de pesquisa que consiste no desenvolvimento de uma análise da literatura, que objetiva a síntese do conhecimento e das evidências encontradas nos estudos inclusos na revisão, contribuindo para discussões sobre os métodos e os resultados das pesquisas (Batista e Kumada; 2021).
Para a elaboração da revisão integrativa, segundo Dantas et al., (2022), seguem-se necessariamente seis etapas: 1) identificação do tema e seleção da hipótese ou questão de pesquisa para a elaboração da revisão integrativa; 2) estabelecimento de critérios para inclusão e exclusão de estudos/ amostragem ou busca na literatura; 3) definição das informações a serem
extraídas dos estudos selecionados/ categorização dos estudos; 4) avaliação dos estudos incluídos na revisão integrativa, 5) interpretação dos resultados; 6) apresentação da revisão/síntese do conhecimento.
Foi elaborada a partir da pesquisa nas bases de dados como LILACS (Literatura Latina Americana e do Caribe em Ciências da Saúde), SCIELO (Scientifi Eletronic Library Online) e PubMed (National Library of Medicine, EUA). Para a busca foram utilizados os seguintes descritores em Ciência da Saúde (DECS): “inteligência artificial”, “saúde”, “atendimento”, nas línguas inglesa e portuguesa combinadas com os operadores booleanos “and”e “or”.
Foram selecionados 10 artigos, a partir dos critérios de inclusão: artigos disponíveis na íntegra, publicados em português e inglês no período de cinco anos, contendo os descritores já especificados anteriormente e cujo conteúdo respondesse ao objetivo proposto. Além disso, foram excluídos artigos incompletos e/ou duplicados, dissertações, teses, notícias, editoriais e textos cujo conteúdo não apresentasse relevância para o estudo.
Em 2009, foi publicada a declaração Preferred Reporting Items for Systematic reviews and Meta-Analyses (PRISMA), desenvolvida para auxiliar os pesquisadores descrever de forma transparente o processo de elaboração da revisão, os métodos aplicados e os resultados obtidos. Essa declaração foi substituída pela PRISMA 2020, delineada principalmente para revisões sistemáticas de estudos que aferem os efeitos de intervenções em saúde (Haddaway et al., 2022).
A declaração PRISMA 2020 compreende uma lista de checagem de 27 itens, outra lista que especifica detalhadamente sobre o que relatar em cada item e a lista de verificação PRISMA 2020 para resumos e fluxogramas. Para apresentar de forma detalhada e transparente o processo de busca e seleção dos artigos da revisão integrativa, seguiu-se como instrumento o fluxograma PRISMA 2020 (Haddaway, et al., 2022). Por meio desse fluxograma, foram descritos os resultados da triagem realizada, a contar do número inicial de registros identificados na busca até o número de estudos inclusos na revisão (Figura 1).
Figura 1– Fluxograma demonstrando a estratégia de busca (Base de dados)
Fonte: Autoria Própria, 2024
4 RESULTADOS E DISCUSSÕES OU ANÁLISE DOS DADOS
Após leitura exaustiva de cada um dos artigos selecionados, foram sintetizados alguns aspectos no Quadro 1 a seguir, como autor/ano, objetivos, metodologia, resultados e conclusão.
Quadro 1: Produção científica segundo estudos incluídos na revisão integrativa, Teresina – PI, Brasil, 2024.
| Autor/Ano | Objetivo | Metodologia | Resultados | Conclusão |
| Bajwa (2021) | Avaliar o de sempenho de um algoritmo de inteligência artificial (IA) em um ambi ente de triagem simulado e sua eficácia na de tecção de cân ceres perdidos e de intervalo. | Estudo retrospectivo | A área sob a curva foi de 0,853 (IC de 95% = 0,801-0,905) e o valor de corte para a pontuação de risco foi de 34,5% com uma sensibili dade de 72,8% e uma especificidade de 88,3% para de tecção de câncer por IA na análise ROC. | A IA pode poten cialmente aumen tar a capacidade dos programas de triagem de câncer de mama aumen tando as taxas de detecção de cân cer e diminuindo as avaliações falso-negativas. |
| Kazimi erczak, (2024) | avaliar a preci são diagnóstica da plataforma Diagnocat, ori entada por IA, para avaliar os resultados do tratamento en dodôntico usando ima gens de tomo grafia compu tadorizada de feixe cônico (CBCT). | Estudo retrospectivo | A plataforma de IA demonstrou alta pre cisão diagnóstica para a maioria dos parâmetros, com pontuações perfeitas para a probabilidade de preenchimento (exatidão, precisão, recall, F1 = 100%). O desempenho da IA para vazios na detecção de preen chimento (precisão = 88,6%, precisão = 88,9%, recall = 66,7% e F1 = 76,2%) destacou áreas para melhoria. | Plataforma de IA Diagnocat apre sentou alta preci são diagnóstica na avaliação dos re sultados do trata mento endodôn tico usando ima gens de CBCT, indicando seu po tencial como uma ferramenta vali osa em radiologia odontológica. |
| Orhan et al., (2021) | avaliar o de sempenho di agnóstico da aplicação de inteligência ar tificial (IA) na avaliação de dentes terceiros molares impac | Estudo retros pectivo. | No total, 112 dentes (86,2%) foram de tectados como im pactados pela IA. O número de raízes foi corretamente deter minado em 99 den tes (78,6%) e o nú mero de canais em 82 dentes (68,1%). | A aplicação de In teligência Artifi cial (IA) mostrou altos valores de precisão na detec ção de dentes ter ceiros mola res impactados e sua relação |
8
| tados em ima gens de tomo grafia compu tadorizada de feixe cônico (TCFC). | com estruturas anatômicas . | |||
| Ren et al., (2022) | Examinar se o sistema de inte ligência artifi cial MySur geryRisk tem desempenho preditivo está vel entre as fa ses de desen volvimento e validação pros pectiva e se é viável fornecer saídas automa tizadas direta mente para os dispositivos móveis dos ci rurgiões. | Eestudo prog nóstico e re trospectivo | . Comparado com o portal da web origi nal, o aplicativo do dispositivo móvel permitiu acesso efi ciente ao login por impressão digital e carregou dados aproximadamente 10 vezes mais rápido. A saída do aplicativo exibiu informações do paciente, risco de complicações pós operatórias, os 3 principais fatores de risco para cada com plicação e padrões de complicações para cirurgiões indi viduais em compara ção com seus cole gas. | previsões automa tizadas em tempo real de complica ções pós-operató rias com resulta dos de dispositi vos móveis tive ram bom desem penho em ambi entes clínicos com validação prospectiva, cor respondendo à precisão preditiva dos cirurgiões. |
| Bhuiyan; Govin Daiah; Smith, (2021) | desenvolver e validar um sis tema de classi ficação de CDR baseado em inteligência artificial que pode auxiliar na triagem efi caz de suspei tos de glau coma. | Estudo retrospectivo | sistema atingiu uma precisão de 89,67% (sensibilidade, 83,33%; especifici dade, 93,89%; e AUC, 0,93). Para validação externa, foi usado o conjunto de dados Retinal Fundus Image Data base for Glaucoma Analysis, que tem 638 imagens de qua lidade graduável. Aqui, o modelo atin giu uma precisão de 83,54% (sensibili dade, 80,11%; espe cificidade, 84,96%; e AUC, 0,85). C | . Tendo demons trado um sistema de triagem de sus peitos de glau coma preciso e to talmente automa tizado que pode ser implantado em plataformas de telemedicina, planejamos en saios prospectivos para determinar a viabilidade do sis tema em ambien tes de atenção pri mária. |
9
| Borba; Ogata, (2024) | Explora a per cepção de gesto res das áreas de Tecnologia e Inovação de hos pitais privados brasileiros acerca do uso da inteligência arti ficial (IA) na sa úde, com foco específico na personalização da experiência do paciente nes ses hospitais. | Pesquisa descri tiva transversal quantitativa | As respostas coletadas ratificaram o otimismo e a reserva dos profis sionais de tecnologia e inovação em hospitais privados quanto ao po der e aos impactos da IA na personalização da experiência do pa ciente, bem como in dicaram a necessidade de treinamento ade quado para os funcio nários desses hospi tais, a fim de maximi zar os benefícios da IA como ferramenta de apoio à tomada de decisão. | A IA na personali zação da experiên cia do paciente e queiram estabelecer treinamentos de pessoal baseados nesses princípios. Desse modo, os re sultados aqui obti dos oferecem orien tações valiosas para a adoção plena de IA no setor de sa úde. |
| Gonçalves, et al., (2020) | Apresentar a ex periência de en fermeiros com inovações tecno lógicas computa cionais no apoio à identificação precoce da sepse diante de algorit mos baseados em inteligência artificial para a prática clínica em um hospital filantrópico. | Relato de expe riências | A pré e pós-implanta ção da ferramenta computacional de apoio à identificação precoce da sepse; e os efeitos da incorpora ção dessa ferramenta no processo de traba lho de enfermeiros clí nicos. | Inovações tecnoló gicas contribui para a melhoria das prá ticas profissionais em saúde. |
| Kuiava et al., (2021) | Desenvolver um software de IA com alta especi ficidade e sensi bilidade para apoio no diag nóstico de algu mas patologias oftalmológicas. | Estudo experi mental | Os resultados de sen sibilidade e especifici dade foram no Mobi leNet de 91% (IC 95%, 89-92%) e 98,5% (IC 95%, 98- 99%); no Inception, de 91,4% (IC 95%, 89- 93,5%) de 98,4% (IC 95%, 98-98,8%), res pectivamente. Não houve diferença signi ficativa entre os dois métodos utilizados. | O software apre sentou resultados promissores na dis tinção das condi ções oftalmológicas pesquisadas. |
| Saravi et al., (2022) | investigar uma variedade de al goritmos de aprendizado de máquina e aprendizado pro | Estudo retrospectivo | O agrupamento K-me ans separou os dados em dois clusters, dis tinguindo os dados em dois grupos de carac terísticas de risco do | Os algoritmos de aprendizado de má quina e aprendi zado profundo po dem prever se os pacientes experi mentarão um LOS |
10
| fundo para pre ver com segu rança se um pa ciente submetido à descompressão de estenose espi nhal lombar apresentará um LOS prolon gado. | paciente. Os algorit mos atingiram AUCs entre 67,5% e 87,3% para a classificação das classes de LOS. A análise da importância dos recursos dos algo ritmos de aprendizado profundo indicou que o tempo de operação foi o recurso mais im portante na previsão do LOS. Uma árvore de decisão baseada no CHAID pôde prever 84,7% dos casos. | aumentado após a cirurgia de descom pressão lombar. Portanto, os recur sos médicos podem ser alocados de forma mais apropri ada para pacientes que correm risco de LOS prolongado. | ||
| Pacilè, (2020) | Avaliar os be nefícios de uma ferramenta baseada em in teligência arti ficial (IA) para mamografia bi dimensional no processo de de tecção do cân cer de mama. | Neste estudo retrospectivo multileitor e multicaso | O tempo de leitura mudou dependendo da pontuação da fer ramenta de IA. Para baixa probabilidade de malignidade (< 2,5%), o tempo foi quase o mesmo na primeira sessão de leitura e diminuiu li geiramente na se gunda sessão de lei tura. Para maior pro babilidade de malig nidade, o tempo de leitura foi aumen tado em média com o uso de IA. | O uso simultâneo desta ferramenta de IA melhorou o desempenho diag nóstico dos radio logistas na detec ção do câncer de mama sem pro longar seu fluxo de trabalho. |
Fonte: Organizado pelo autor (2024).
Para uma melhor compreensão dos achados revelados nas pesquisas é importante rati ficar que Bajwa (2021) conduziram um estudo para avaliar a eficácia de um algoritmo de IA na detecção de lesões suspeitas em mamografias. Utilizando técnicas de aprendizado profundo, o algoritmo demonstrou alta precisão na identificação de anomalias, o que poderia auxiliar na identificação precoce de casos de câncer de mama. Esses resultados destacam o potencial da IA em melhorar a acurácia do diagnóstico radiológico e agilizar o processo de detecção da doença.
O estudo de Pacilé (2020) sobre Sistema inteligente para o apoio ao diagnóstico do câncer de mama usando imagens termográficas e redes neurais artificiais profundas exemplifica como a IA está sendo aplicada para melhorar a detecção e diagnóstico precoce do câncer de mama. Ao integrar imagens termográficas e redes neurais profundas, a autora apresenta uma
11
abordagem inovadora que pode potencialmente complementar os métodos tradicionais de ima gem e oferecer uma ferramenta valiosa para os profissionais de saúde na identificação de casos suspeitos.
Na área da Endodontia, foi realizado um estudo por Kazimierczak, (2024) onde foi utilizado limas endodônticas para determinar o comprimento dos canais radiculares em radio grafias, comparando o resultado com e sem o auxílio de redes neurais artificiais. A avaliação foi feita pelos endodontistas, que alcançaram assertividade, enquanto as redes neurais artificiais obtiveram precisão no diagnóstico. No estudo feito por Setzer et al., (2020), foi utilizado apren dizado profundo para detecção de lesões periapicais usando Tomografias computadorizadas. A assertividade da IA foi de 93% para a detecção das lesões. Esses resultados sugerem que esses algoritmos podem ser mais eficazes do que os cirurgiões-dentistas na avaliação radiográfica.
Orhan et al., (2021), mostram que aplicações de inteligência artificial desenvolvidas por meio de aprendizado de máquina e aprendizado profundo são promissoras para a radiologia dentomaxilofacial. Nesse contexto, o uso da inteligência artificial (IA) mostrou altos valores de precisão na detecção de dentes terceiros molares impactados e sua relação com estruturas ana
tômicas. Sob a perspectiva odontológica, as aplicações da Inteligência Artificial podem ser ca tegorizadas em diagnóstico, tomada de decisão, planejamento de tratamento e previsão de re sultados do tratamento.
No estudo prognóstico de Ren et al., (2022), as complicações pós-operatórias foram previstas com precisão por um sistema de inteligência artificial usando dados de EHR automa tizados em tempo real, com degradação mínima de desempenho durante a validação prospectiva e precisão que correspondeu às previsões dos cirurgiões. O desempenho preditivo foi otimizado pelo uso de conjuntos maiores de recursos de entrada e arquiteturas de floresta aleatória que representaram com precisão associações não lineares complexas entre recursos. Para facilitar a integração com o fluxo de trabalho clínico, as saídas do modelo foram fornecidas para aplica tivos de dispositivos móveis. Até onde sabemos, este sistema é o único a prever com precisão as complicações pós-operatórias com aquisição de dados totalmente automatizada e saídas de dispositivos móveis. Mais trabalho é necessário para atingir a interoperabilidade e a imparcia lidade dos dados e algoritmos.
No estudo de Bhuiyan; Govin Daiah; Smith, (2021) foi demonstrado um sistema de triagem de aprendizado profundo preciso e totalmente automatizado para suspeitos de glaucoma por meio de fotografia da retina, que pode ser eficaz para a identificação de suspeitos de glau coma em ambientes de atenção primária. Os autores apresentaram uma ferramenta de triagem híbrida de modelo logístico/aprendizagem profunda eficaz para a identificação de suspeitos de
12
glaucoma por CDR vertical a partir de fotografias da retina não midriática. Com base nessa ferramenta, uma plataforma completa de telemedicina de IA é imaginada em um estado futuro em que nossa metodologia de IA atual será implantada em ambientes de cuidados primários. Câmeras totalmente automatizadas capturarão imagens para transferência pela nuvem para o lado do servidor para resultados imediatos e encaminhamento posterior do paciente, se neces
sário, com benefício significativo para a saúde pública para detecção precoce e prevenção dessa doença que ameaça a visão.
Os resultados de Saravi et al., (2022) indicaram que técnicas de aprendizado de má quina e aprendizado profundo podem prever efetivamente se os pacientes terão um tempo de internação prolongado. A implementação dos algoritmos fornecidos em software de código aberto e validação externa por meio de estudos prospectivos em larga escala são necessárias para introduzir as ferramentas de previsão fornecidas em clínicas. Embora tenhamos usado ape nas um pequeno número de casos, os algoritmos mostraram precisões satisfatórias para a tarefa de previsão. No entanto, a análise preditiva e a aprendizagem de máquina surgiram como fer ramentas valiosas para prever os resultados dos pacientes com base em variáveis de caracterís ticas de características pertinentes. O desenvolvimento de modelos de previsão de resultados centrados no paciente, incluindo aqueles para medidas de resultados relacionados ao paciente e duração da internação, pode contribuir para melhorar a utilização dos recursos de saúde pela sociedade.
Borba; Ogata, (2024) apontam que a capacidade da inteligência artificial melhorou na gestão de dados e informações médicas tem reconhecimento generalizado, com objetivo de otimizar a eficiência operacional e a tomada de decisões clínicas. Nesse contexto, observa-se o grande potencial do IA no âmbito da saúde, diante dos desafios técnicos, éticos e organizacio
nais envolvidos. Em suma, as perspectivas dos autores refletem a crescente importância da in teligência artificial no processo decisório. Eles fornecem insights valiosos sobre as oportunida des e desafios associados à aplicação da IA na prática clínica, contribuindo para avanços signi ficativos na saúde.
Corroborando Gonçalves, et al., (2020) evidenciam o potencial da Inteligência Artifi cial em relação ao cuidado de saúde dos pacientes, sendo assim, é relevante a diminuição do tempo decorre do processamento de dados referentes ao diagnóstico e início das intervenções frente à sepse. A detecção precoce desempenha um papel fundamental na melhoria das taxas de sobrevivência e no prognóstico dos pacientes, tornando imperativa a busca constante por métodos mais eficazes e acessíveis para o diagnóstico. Nesse contexto, a inteligência artificial
13
(IA) surge como uma ferramenta promissora na saúde. Considerando o contexto, que na detec ção precoce da patologia, analisa e sintetiza os principais avanços, métodos, abordagens e de safios relacionados à aplicação da tecnologia como ferramenta de apoio à detecção precoce.
A evolução da inteligência artificial (IA) e do aprendizado de máquina está transformando radicalmente a prática médica, especialmente no campo da radiologia e diagnóstico por imagem. O artigo de Koenigkam-Santos et al. (2019) discute os avanços significativos alcançados na aplicação dessas tecnologias, incluindo o diagnóstico auxiliado por computador (CAD) e a radiômica, e como essas abordagens estão impulsionando a medicina de precisão.
Como foi verificado em um programa computacional que utilizou a inteligência artificial apresentado por Kuiava et al., (2021) que contribuiu para uma melhor leitura e identificação do diagnóstico de imagens oftalmológicas. Nesse contexto, a inteligência artificial está cada vez mais presente na saúde devido ao contínuo avanço tecnológico e à crescente digitalização do setor. Atualmente, a IA é capaz de oferecer diagnósticos mais precisos, ágeis e eficientes
5 CONCLUSÃO/CONSIDERAÇÕES FINAIS
A IA está progredindo rapidamente, com potenciais aplicações em diagnóstico, trata mento e predição de prognóstico. Embora os obstáculos que surgem da aquisição de dados, interpretação, poder computacional e questões éticas e morais existam e precisam ser supera dos, a IA é percebida como uma excelente auxiliar no campo da saúde. Com validação clínica de longo prazo, a IA pode ser fácil de usar, transparente, reprodutível e imparcial. O desenvol vimento futuro da IA deve continuar a considerar o interesse humano como sua principal mis são.
Em conjunto, esses estudos evidenciam o crescente interesse e investimento na aplicação da inteligência artificial e aprendizado de máquina na área de diagnóstico por imagem. No entanto, é importante reconhecer que, apesar dos benefícios potenciais, ainda existem desafios a serem superados, incluindo questões relacionadas à interpretabilidade dos algoritmos, ética no uso de dados médicos e garantia da qualidade dos resultados obtidos.
Apesar dos resultados promissores dos modelos de IA apresentados, ainda é necessário verificar sua generalidade e confiabilidade usando dados externos apropriados obtidos de paci entes. Os objetivos futuros da pesquisa em IA na saúde o incluem não apenas elevar o desem penho da IA mas também detectar lesões precoces que são invisíveis ao olho humano. Os sis-
14
temas de IA estão num processo para ajudar os profissionais de saúde a oferecer um atendi mento de qualidade, como também está no processo para ser uma ferramenta auxiliar no diag nostico, planejamento e previsão dos tratamentos.
Portanto, à medida que continuamos a avançar nessa área, é fundamental adotar uma abordagem multidisciplinar e colaborativa, envolvendo profissionais de saúde, engenheiros, cientistas de dados e reguladores, a fim de desenvolver e implementar soluções de IA que sejam seguras, eficazes e éticas, contribuindo assim para melhorar a prática clínica e os resultados para os pacientes.
REFERÊNCIAS
BAJWA, Junaid et al. Artificial intelligence in healthcare: transforming the practice of medicine. Future healthcare journal, v. 8, n. 2, p. e188-e194, 2021.
BATISTA, Leonardo; KUMADA, Kate Mamhy Oliveira. Análise metodológica sobre as dife rentes configurações da pesquisa bibliográfica. Revista brasileira de iniciação científica, p. e021029-e021029, 2021.
BORBA, Felipe Augusto; OGATA, Alberto José. O uso de sistemas de inteligência artificial para a personalização da experiência do paciente: a percepção de gestores de tecnologia e ino vação de hospitais associados à ANAHP. Jornal Brasileiro de Economia da Saúde, v. 16, n. 2, p. 108-120, 2024.
BHUIYAN, Alauddin; GOVINDAIAH, Arun; SMITH, R. Theodore. An Artificial‐Intelli gence‐and Telemedicine‐Based Screening Tool to Identify Glaucoma Suspects from Color Fundus Imaging. Journal of Ophthalmology, v. 2021, n. 1, p. 6694784, 2021.
GONÇALVES, Luciana Schleder et al. Implantação de algoritmo de inteligência artificial para detecção da sepse. Revista Brasileira de Enfermagem, v. 73, p. e20180421, 2020.
HADDAWAY, Neal R. et al. PRISMA2020: An R package and Shiny app for producing PRISMA 2020‐compliant flow diagrams, with interactivity for optimised digital transparency and Open Synthesis. Campbell systematic reviews, v. 18, n. 2, p. e1230, 2022.
HERNANDEZ-BOUSSARD, Tina et al. MINIMAR (MINimum Information for Medical AI Reporting): Developing reporting standards for artificial intelligence in health care. Journal of the American Medical Informatics Association, v. 27, n. 12, p. 2011-2015, 2020.
KAZIMIERCZAK, Wojciech et al. Endodontic Treatment Outcomes in Cone Beam Compu ted Tomography Images—Assessment of the Diagnostic Accuracy of AI. Journal of Clinical Medicine, v. 13, n. 14, 2024.
KUIAVA, Victor Antonio et al. Desenvolvimento de sistema estruturado com inteligência ar tificial para apoio no diagnóstico de patologias oftalmológicas mais relevantes. Clinical and Biomedical Research, v. 41, n. 1, 2021.
15
MORAES, Joel Junior et al. Impacto da tecnologia de inteligência artificial na medicina diag nóstica. Revista Ibero-Americana de Humanidades, Ciências e Educação, v. 9, n. 7, p. 1303-1214, 2023.
ORTEGA-BOLAÑOS, Ricardo et al. Aplicando a ética da IA: uma revisão sistemática de fer ramentas para desenvolver e avaliar sistemas baseados em IA. Artificial Intelligence Re view , v. 57, n. 5, p. 110, 2024.
ORHAN, Kaan et al. Evaluation of artificial intelligence for detecting impacted third molars on cone-beam computed tomography scans. Journal of Stomatology, Oral and Maxillofa cial Surgery, v. 122, n. 4, p. 333-337, 2021.
NIAZKAR, Majid; ZAKWAN, Mohammad. Assessment of Artificial Intelligence Models for Developing Single‐Value and Loop Rating Curves. Complexity, v. 2021, n. 1, p. 6627011, 2021.
PACILÈ, Serena et al. Improving breast cancer detection accuracy of mammography with the concurrent use of an artificial intelligence tool. Radiology: Artificial Intelligence, v. 2, n. 6, p. e190208, 2020.
REN, Yuanfang et al. Performance of a machine learning algorithm using electronic health record data to predict postoperative complications and report on a mobile platform. JAMA network open, v. 5, n. 5, p. e2211973-e2211973, 2022.
SARAVI, Babak et al. Performance of artificial intelligence-based algorithms to predict pro longed length of stay after lumbar decompression surgery. Journal of Clinical Medicine, v. 11, n. 14, p. 4050, 2022.
1Cicero marques Sousa Pereira de Engenharia elétrica do Centro Universitário Santo Agostinho e-mail : cicero2033@gmail.com
2Stênio de Sousa coelho, docente de engenharia elétrica do centro universitário santo agustinho.Mestre em engenharia elétrica pela universidade federal do Piauí (UFPI).e-mail: stenio.coelho@unifsa.com.br