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).
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).
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).
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 desempenho de um algoritmo de inteligência artificial (IA) em um ambiente de triagem simulado e sua eficácia na detecção de cânceres 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 sensibilidade de 72,8% e uma especificidade de 88,3% para detecção de câncer por IA na análise ROC. | A IA pode potencialmente aumentar a capacidade dos programas de triagem de câncer de mama aumentando as taxas de detecção de câncer e diminuindo as avaliações falso-negativas. |
| Kazimi erczak, (2024) | avaliar a precisão diagnóstica da plataforma Diagnocat, orientada por IA, para avaliar os resultados do tratamento endodôntico usando imagens de tomo grafia computadorizada de feixe cônico (CBCT). | Estudo retrospectivo | A plataforma de IA demonstrou alta precisão 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 preenchimento (precisão = 88,6%, precisão = 88,9%, recall = 66,7% e F1 = 76,2%) destacou áreas para melhoria. | Plataforma de IA Diagnocat apresentou alta precisão diagnóstica na avaliação dos resultados do trata mento endodôntico usando imagens de CBCT, indicando seu potencial como uma ferramenta valiosa em radiologia odontológica. |
| Orhan et al., (2021) | avaliar o desempenho diagnóstico da aplicação de inteligência artificial (IA) na avaliação de dentes terceiros molares impactados em imagens de tomo grafia computadorizada de feixe cônico (TCFC). | Estudo retros pectivo. | No total, 112 dentes (86,2%) foram detectados como impactados pela IA. O número de raízes foi corretamente deter minado em 99 dentes (78,6%) e o número de canais em 82 dentes (68,1%). | A aplicação de Inteligência Artificial (IA) mostrou altos valores de precisão na detecção de dentes terceiros mola res impactados e sua relação com estruturas anatômicas . |
| Ren et al., (2022) | Examinar se o sistema de inteligência artificial MySurgeryRisk tem desempenho preditivo estável entre as fases de desenvolvimento e validação prospectiva e se é viável fornecer saídas automatizadas direta mente para os dispositivos móveis dos cirurgiões. | Estudo prognóstico e retrospectivo | Comparado com o portal da web original, o aplicativo do dispositivo móvel permitiu acesso eficiente 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 complicação e padrões de complicações para cirurgiões individuais em comparação com seus colegas. | previsões automatizadas em tempo real de complicações pós operatórias com resulta dos de dispositivos móveis tiveram bom desempenho em ambientes clínicos com validação prospectiva, cor respondendo à precisão preditiva dos cirurgiões. |
| Bhuiyan; Govin Daiah; Smith, (2021) | desenvolver e validar um sistema de classificação de CDR baseado em inteligência artificial que pode auxiliar na triagem eficaz de suspeitos de glaucoma. | Estudo retrospectivo | sistema atingiu uma precisão de 89,67% (sensibilidade, 83,33%; especificidade, 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 qualidade graduável. Aqui, o modelo atingiu uma precisão de 83,54% (sensibilidade, 80,11%; especificidade, 84,96%; e AUC, 0,85). C | Tendo demonstrado um sistema de triagem de sus peitos de glaucoma preciso e totalmente automatizado que pode ser implantado em plataformas de telemedicina, planejamos ensaios prospectivos para determinar a viabilidade do sistema em ambientes de atenção primária. |
| Borba; Ogata, (2024) | Explora a percepção de gesto res das áreas de Tecnologia e Inovação de hospitais privados brasileiros acerca do uso da inteligência artificial (IA) na saúde, com foco específico na personalização da experiência do paciente nesses hospitais. | Pesquisa descritiva transversal quantitativa | As respostas coletadas ratificaram o otimismo e a reserva dos profissionais de tecnologia e inovação em hospitais privados quanto ao poder e aos impactos da IA na personalização da experiência do paciente, bem como in dicaram a necessidade de treinamento adequado para os funcionários desses hospitais, a fim de maximizar os benefícios da IA como ferramenta de apoio à tomada de decisão. | A IA na personalização da experiência do paciente e queiram estabelecer treinamentos de pessoal baseados nesses princípios. Desse modo, os resultados aqui obtidos oferecem orientações valiosas para a adoção plena de IA no setor de saúde. |
| Gonçalves, et al., (2020) | Apresentar a experiência de enfermeiros com inovações tecno lógicas computacionais no apoio à identificação precoce da sepse diante de algoritmos baseados em inteligência artificial para a prática clínica em um hospital filantrópico. | Relato de experiências | A pré e pós-implantação da ferramenta computacional de apoio à identificação precoce da sepse; e os efeitos da incorporação dessa ferramenta no processo de trabalho de enfermeiros clínicos. | Inovações tecnológicas contribui para a melhoria das práticas profissionais em saúde. |
| Kuiava et al., (2021) | Desenvolver um software de IA com alta especificidade e sensibilidade para apoio no diagnóstico de algumas patologias oftalmológicas. | Estudo experimental | Os resultados de sensibilidade e especificidade foram no MobileNet 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%), respectivamente. Não houve diferença significativa entre os dois métodos utilizados. | O software apresentou resultados promissores na distinção das condições oftalmológicas pesquisadas. |
| Saravi et al., (2022) | investigar uma variedade de algoritmos de aprendizado de máquina e aprendizado profundo para prever com segurança se um paciente submetido à descompressão de estenose espinhal lombar apresentará um LOS prolongado. | Estudo retrospectivo | O agrupamento K-means separou os dados em dois clusters, distinguindo os dados em dois grupos de características de risco do paciente. Os algoritmos 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 importante na previsão do LOS. Uma árvore de decisão baseada no CHAID pôde prever 84,7% dos casos. | Os algoritmos de aprendizado de má quina e aprendizado profundo podem prever se os pacientes experimentarão um LOS aumentado após a cirurgia de descompressão lombar. Portanto, os recursos médicos podem ser alocados de forma mais apropriada para pacientes que correm risco de LOS prolongado. |
| Pacilè, (2020) | Avaliar os benefícios de uma ferramenta baseada em inteligência artificial (IA) para mamografia bi dimensional no processo de detecção do câncer de mama. | Neste estudo retrospectivo multileitor e multicaso | O tempo de leitura mudou dependendo da pontuação da ferramenta de IA. Para baixa probabilidade de malignidade (< 2,5%), o tempo foi quase o mesmo na primeira sessão de leitura e diminuiu ligeiramente na segunda sessão de leitura. Para maior probabilidade de malignidade, o tempo de leitura foi aumentado em média com o uso de IA. | O uso simultâneo desta ferramenta de IA melhorou o desempenho diagnóstico dos radiologistas na detecção do câncer de mama sem prolongar seu fluxo de trabalho. |
Fonte: Organizado pelo autor (2024).
Para uma melhor compreensão dos achados revelados nas pesquisas é importante ratificar 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 abordagem inovadora que pode potencialmente complementar os métodos tradicionais de imagem 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 aprendizado 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 anatômicas. Sob a perspectiva odontológica, as aplicações da Inteligência Artificial podem ser categorizadas em diagnóstico, tomada de decisão, planejamento de tratamento e previsão de resultados 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 automatizados 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 aplicativos 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 imparcialidade 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 glaucoma 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 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 necessário, 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 apenas 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 ferramentas valiosas para prever os resultados dos pacientes com base em variáveis de características 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 organizacionais envolvidos. Em suma, as perspectivas dos autores refletem a crescente importância da inteligência artificial no processo decisório. Eles fornecem insights valiosos sobre as oportunidades e desafios associados à aplicação da IA na prática clínica, contribuindo para avanços significativos na saúde.
Corroborando Gonçalves, et al., (2020) evidenciam o potencial da Inteligência Artificial 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(IA) surge como uma ferramenta promissora na saúde. Considerando o contexto, que na detecção 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 desenvolvimento 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 pacientes. Os objetivos futuros da pesquisa em IA na saúde o incluem não apenas elevar o desempenho da IA mas também detectar lesões precoces que são invisíveis ao olho humano. Os sistemas 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 diagnostico, 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 diferentes 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 inovação 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 artificial para apoio no diagnóstico de patologias oftalmológicas mais relevantes. Clinical and Biomedical Research, v. 41, n. 1, 2021.
MORAES, Joel Junior et al. Impacto da tecnologia de inteligência artificial na medicina diagnóstica. 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 ferramentas para desenvolver e avaliar sistemas baseados em IA. Artificial Intelligence Review , 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 anartificial 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