Medicina e inovação: o papel fundamental da IA no aprimoramento da assistência médica

No cenário tecnológico contemporâneo, poucas inovações foram tão poderosas e transformadoras quanto a inteligência artificial (IA). Entre as muitas áreas em que a IA está provando ser um meio revolucionário de inovação está, sem dúvida, a medicina.

A adoção da IA na medicina oferece uma gama muito ampla de aplicações, cada uma das quais pode ser personalizada e adaptada para atender às necessidades específicas de cada disciplina e processo médico.

A IA está redefinindo a maneira como médicos e pesquisadores abordam o tratamento, o diagnóstico e o atendimento ao paciente, e a maneira como os cidadãos acessam tratamentos e caminhos mais eficazes.

Que soluções práticas a inteligência artificial usará para ajudar a desenvolver os processos de saúde?

No centro da inteligência artificial estão os dados. E em um campo como o da saúde, em que a pesquisa, a análise e a interpretação de dados são fundamentais para proporcionar um desempenho ideal, a IA é uma ferramenta inigualável.

A capacidade de processar e interpretar grandes volumes de dados com precisão e velocidade oferece novas possibilidades para melhorar os diagnósticos, otimizar os tratamentos de forma mais personalizada e até mesmo prever as necessidades futuras da área da saúde.

É por isso que as ferramentas de IA desenvolvidas pela Almawave para o setor de saúde são projetadas sempre colocando os dados no centro.

Seja coletando-os e aprimorando-os, usando-os para fazer previsões ou transformando-os em orientações práticas em tempo real, os dados são o elemento central em torno do qual giram produtos e soluções inovadoras.

A seguir, veremos como a Almawave gerencia e aprimora os dados em todos os estágios: processamento, extensão, avaliação e transformação de dados.

Em âmbito sanitário, a confidencialidade e a proteção dos dados dos pacientes são de vital importância. Ao mesmo tempo, é importante ter a possibilidade de utilizar esses dados para apoiar as análises e decisões médicas. As soluções da Almawave visam conciliar esses aspectos com total segurança.

• Pseudonimização e segurança

A solução de anonimização e pseudonimização de dados de saúde da Almawave garante máxima conformidade com as regulamentações de privacidade e permite um uso confiável e completo dos dados clínicos para fins de pesquisa e desenvolvimento.

A pseudonimização substitui os nomes reais por pseudônimos de forma completamente automatizada e robusta.

No caso de laudos médicos redigidos em linguagem natural, por exemplo, estes são anonimizados e analisados, para serem utilizados também em outras elaborações.

Graças a um modelo de Named Entity Recognition (NER) baseado em BERT, a ferramenta identifica os nomes dos pacientes e outras informações sensíveis e os substitui automaticamente por outros pseudônimos verossímeis gerados pelo sistema. Isso ajuda na reconciliação dos dados do percurso do paciente, além de sempre permitir a aplicação de sistemas de compreensão natural do texto (NLP).

• Federação e segregação de dados

A federação de dados permite combinar e analisar informações provenientes de diversas fontes sem a necessidade de centralizar os dados em um único ambiente, mantendo-os assim separados. Da mesma forma, a inteligência artificial federada permite que os algoritmos sejam treinados em vários dispositivos descentralizados ou servidores que possuem dados locais, sem que esses dados sejam transferidos para um servidor central.

Isso é particularmente útil no âmbito médico, onde os dados podem ser distribuídos entre várias instituições e sistemas, garantindo sempre a máxima proteção dos dados sensíveis.

Para melhorar a confiabilidade e a completude das respostas fornecidas pela inteligência artificial, é essencial ampliar e diversificar as fontes de dados utilizadas. A seguir, são apresentadas duas soluções inovadoras que enfrentam esse desafio.

• Survey de paciente

A solução Survey de Paciente é uma ferramenta para automatizar os procedimentos de pesquisa e questionários para as informações fornecidas pelo paciente e, ao mesmo tempo, torná-las estruturadas. Isso permite aumentar a base de dados raw/estruturados; automatizar a administração e gestão de PROMs/PREMs através do canal vocal; navegar e filtrar de maneira automatizada os dados recuperados; criar algoritmos e ferramentas preditivas que considerem aspectos como QoL e a visão centrada no paciente.

• Aumento de dados de fontes não estruturadas

Na Saúde, muitas informações são, por definição, não estruturadas. Laudos, histórico clínico do paciente, familiaridade, terapia, são baseados em avaliações em que a linguagem é, por definição, não estruturada. Tornar essa parte facilmente consultável representa uma grande contribuição para o clínico, também na perspectiva de possíveis elaborações adicionais.

Dentro do mundo da IA, o Processamento de Linguagem Natural (NLP) é o conjunto de técnicas e tecnologias que atuam exatamente nesse âmbito, a gestão da Linguagem Natural. Essa área tem visto, no passado recente, um grande salto de inovação tecnológica.

Os chamados LLM (Large Language Models) introduziram o que ficou conhecido como inteligência artificial generativa. Uma ferramenta extremamente poderosa de compreensão e relação, mas com algumas características limitantes, especialmente em áreas críticas ou sensíveis. Não fornecem sempre respostas confiáveis ou verificadas, pois muitas vezes não são capazes de integrar informações de fontes diferentes dos dados de treinamento.

A abordagem «composite» da Almawave integra diversas tecnologias e metodologias para maximizar o resultado, mantendo a segurança da resposta.

Uma das ferramentas para superar essas limitações é a Retrieval Augmented Generation (RAG), que permite acessar múltiplas fontes de dados adicionais, tornando as respostas mais completas e superando as limitações das tecnologias baseadas exclusivamente em modelos de linguagem (LLM).

A avaliação precisa dos dados clínicos é fundamental para melhorar os diagnósticos e os tratamentos. As soluções da Almawave utilizam técnicas avançadas de inteligência artificial para extrair, organizar e analisar as informações clínicas, permitindo uma gestão mais eficaz e integrada dos dados.

• Ampliação e expansão das fontes

As soluções da Almawave utilizam técnicas de processamento de linguagem natural (NLP) para estruturar e classificar os dados contidos nos documentos clínicos. O objetivo é extrair informações úteis dos laudos, classificando as informações relevantes neles contidas. Isso permite uma consulta e integração mais fáceis das informações clínicas, melhorando a precisão e a eficácia dos diagnósticos e tratamentos.

Por exemplo, o Sistema de Extração de Dados de Laudos Radiológicos, através do uso de Named Entity Recognition (NER), extrai informações cruciais dos laudos de radiologia, incluindo os dados demográficos do paciente, a anamnese, as observações clínicas dos testes instrumentais, os resultados da visita e as considerações do clínico.

Isso permite unir a essas informações, de forma automática, ferramentas de nomenclaturas padrão (ICD, SNOMED, LOINC, …), facilitando a compreensão e a interoperabilidade entre ferramentas, mas também entre diferentes profissionais.

• CDSS e grafo de conhecimento para identificar correlações e caminhos

Clinical Decision Support System (CDSS) é a solução de IA que, a partir de dados hospitalares padrão e relacionados à jornada do paciente, permite a criação e a exposição de algoritmos preditivos em âmbito clínico para suporte às decisões na planificação do percurso de cuidado e terapia graças a ferramentas data-driven com tecnologia de IA.

Dentro do CDSS está disponível um visualizador clínico, o componente que permite usufruir e explorar todos os dados e informações disponíveis, tanto provenientes de fontes hospitalares, como laudos, dados demográficos e clínicos, quanto dados sintéticos, como os indicadores previamente tratados.

Toda a base de dados é estruturada sob a forma de grafo de conhecimento. As informações são representadas através de nós e arcos, devidamente padronizados segundo a ontologia MeSH, tornando o dado padrão. O grafo facilita a leitura e a avaliação do dado, pois ajuda a visualizar claramente as relações e conexões entre as diversas informações, permitindo uma análise mais intuitiva e imediata das correlações clínicas.

• LLM para síntese de paciente

Ainda dentro do CDSS, graças às tecnologias de NLP mencionadas anteriormente e aplicadas às diversas fontes de dados, um modelo de linguagem fundacional (LLM) organiza as informações em uma síntese clínica utilizável pelos operadores. Esta ferramenta é acessível também remotamente e ajuda os clínicos a economizar tempo, apoiando-os no processo decisório, melhorando a precisão clínica e a compreensão do histórico do paciente.

O sumário do paciente é particularmente útil nos conselhos clínicos, pois fornece uma visão clara e concisa das informações relevantes, facilitando a discussão multidisciplinar e a planificação dos cuidados.

A última e fundamental etapa que pode habilitar a IA no campo médico é a transformação dos dados em respostas concretas que possam guiar soluções personalizadas conforme as necessidades dos pacientes. Novos KPIs para serem detectados em tempo real, análises preditivas e sínteses mais precisas do estado dos pacientes são as soluções da Almawave para agir nessa direção.

• Indicadores inovadores para uma nova abordagem data-driven aos percursos de cuidados

A inteligência artificial aplicada aos big data permite elaborar novos indicadores complexos (Clinical Stability Index) para apoiar os médicos a fornecer as terapias mais adequadas com base nos pacientes individuais, em tempo real. Essa abordagem permite sintetizar o máximo de informações em uma ferramenta preditiva, rápida e de fácil compreensão e uso para os clínicos.

Nesse sentido, é exemplar a experiência do projeto RicovAI da Almawave.

Trata-se de um sistema baseado em Inteligência Artificial aplicado ao monitoramento domiciliar de pacientes com SARS-CoV2. A solução tem o objetivo de estratificar o risco de deterioração e necessidade de cuidados dos pacientes de forma preditiva, introduzindo ferramentas baseadas em IA.

O KPI calculado neste contexto é um indicador:

1. Prognóstico: a indicação de estabilidade é em relação a uma tendência futura;
2. Explicável e transparente: o indicador expressa as variáveis que levam a uma determinada predição, permitindo ao clínico verificá-la e estruturar e avaliar uma intervenção motivada e correlacionada a essas variáveis (decisão aumentada);
3. Sintético: quanto mais dados houver, mais completo será o indicador, com os mesmos recursos necessários (abordagem one-to-many);
4. De estratificação: permite personalizar o percurso e as ações em relação ao paciente específico (cuidados personalizados).

• Explainability

Um aspecto crucial para a adoção da inteligência artificial na medicina é a explicabilidade, ou seja, a capacidade de compreender e interpretar os resultados gerados pelos algoritmos de IA.

As soluções da Almawave visam não apenas fornecer previsões precisas no campo médico, mas também processos decisórios transparentes. Nesse contexto, situam-se os já mencionados grafos de conhecimento, que permitem visualizar as inter-relações entre diferentes dados clínicos, oferecendo uma representação clara e intuitiva das correlações e dos percursos diagnósticos e terapêuticos.

A explicabilidade é realizada ligando uma predição às variáveis e fontes, permitindo, além da verificação e compreensão da sugestão, também direcionar e personalizar a intervenção em relação à variável específica com terapias ou ações causalmente relacionadas.

• Previsões holísticas estendidas

Treinar os sistemas de inteligência artificial em bases de dados ampliadas que incluem datasets mais abrangentes dos pacientes permite aos médicos acessar sínteses e previsões que vão além dos dados clínicos pontuais e adotar uma abordagem mais holística nos tratamentos propostos. O objetivo é melhorar não apenas as terapias de curto prazo, mas também a qualidade de vida a longo prazo.

O já mencionado projeto RicovAI, por exemplo, é um modelo que pode ser facilmente aplicado no futuro próximo a diversos campos da saúde.

Também o projeto OncologIA incorpora perfeitamente essa abordagem. OncologIA representa um sistema de diagnóstico avançado baseado em tecnologias de Inteligência Artificial e ferramentas como o Digital Twin (Identidade Digital de Saúde), capaz de servir redes oncológicas territoriais e apoiar o pessoal médico na identificação de uma terapia personalizada para o paciente, na previsão de possíveis complicações e na melhor estratégia de acompanhamento em função dos serviços territoriais disponíveis.

OncologIA experimenta um gêmeo digital da pessoa, permitindo que médicos e cuidadores disponham constantemente de um quadro clínico completo e integrado sobre o estado de saúde do assistido.

Os principais instrumentos e atividades realizados dentro deste projeto são:

1. Enriquecimento da base de dados através de técnicas NLP sobre fontes de dados não estruturadas, simplificando o uso da informação e aumentando a base de conhecimento para processamento.
2. Ferramentas em linguagem natural para coletar dados referidos pelo paciente e torná-los estruturados e analisáveis (conversational PROMs).
3. Clinical Decision Support System (CDSS) baseado em fontes de dados heterogêneas que ajuda os clínicos nas decisões graças a indicadores sintéticos que permitem a comparação e a aderência a protocolos e diretrizes.

Quer saber mais sobre as soluções Almawave para o setor de saúde?