A Inteligência Artificial já está institucionalizada em nossas vidas. Porém, muitas pessoas falam sobre a Inteligência Artificial (IA) e o seu impacto sem pensar sobre o que precisamos fazer para proporcionar melhorias nos cuidados. A chave está no aproveitamento de evidências do mundo real para que possamos tentar melhorar os resultados para os pacientes. Os pacientes estão no centro de tudo o que fazemos.
A IA e o machine learning existem há muitos anos. Na verdade, está presente há tanto tempo quanto as pessoas vêm considerando a ideia de uma máquina imitando a mente humana e construindo um cérebro virtual. Então por que isso agora está nos impactando tanto?
Crescimento exponencial de dados
No setor de saúde o que impacta são os dados e, talvez, dados mais importantes no contexto do atendimento ao paciente. De acordo com o IDC, os dados de saúde crescerão para 2.314 Exabytes até o próximo ano, de um número de 153 Exabytes em 2013, com uma taxa de crescimento anual de 48%. Somente os provedores do Electronic Health Record (EHR) estão gerando enormes quantidades de dados estruturados e não estruturados. Esse mercado global deve crescer de cerca de US$ 23 milhões para US$ 32 milhões até 2023.
Além disso, o aumento da tecnologia wearable (aquela que vestimos, como óculos e relógios, entre outros) está permitindo que mais informações sejam coletadas dos pacientes enquanto eles trabalham e quando ficam doentes e são tratados no hospital. Saúde e bem-estar são as principais razões pelas quais as pessoas estão comprando wearables: para melhorar os resultados de sua saúde.
Os pacientes estão, portanto, no centro de onde esses dados precisam ser utilizados e podem ser desenvolvidos. Em última análise, para qualquer profissional de saúde, médico, enfermeiro ou empresa de TI da área de saúde, o objetivo comum é reduzir a variabilidade na prática, personalizar o atendimento aos pacientes e melhor tratá-los para reduzir o impacto dos danos e fornecer melhores resultados.
Os Sistemas de Apoio à Decisão Clínica (CDS) têm sido a principal arma na batalha contra a variabilidade na prática e no apoio aos resultados clínicos. Eles incorporam conhecimentos clínicos que refletem continuamente na medicina baseada em evidências (MBE) da literatura de pesquisa e fontes de conhecimento prático.
No entanto, a MBE demora muito para se tornar parte da prática clínica. Demora cerca de 17 anos para apenas 14% das novas descobertas científicas para encontrar seu caminho na prática diária e impacto de cuidados. A realidade é que isso é muito tempo e não há necessidade de esperar se gerarmos todas essas informações e pudermos avançar.
O potencial dos dados do mundo real
Agora, os “dados do mundo real” que foram reunidos em grandes estudos observacionais estão diminuindo a distância entre os cenários experimentais e as realidades clínicas. Dada a disponibilidade de dados abrangentes, a oportunidade de aproveitar estudos retrospectivos em grande escala para compreender o comportamento e os resultados do paciente pode ser usada para melhorar a prática futura de cuidados.
A ideia do ‘botão verde’ liderada por Nigam Shah, Christopher Longhurst e Robert Harrington na Universidade de Stanford apresenta um cenário no qual os médicos podem analisar uma amostra menor de pacientes semelhantes (talvez o resumo de 100 outros casos) com idade, sintomas etc que receberam diversos tratamentos ou medicamentos. Podemos aprender por intermédio da análise profunda de dados que pacientes semelhantes podem ter reagido particularmente bem com um medicamento. Isso não teria sido estudado por meio de resultados científicos mais amplos. Portanto, a análise do mundo real para formar “evidências do mundo real” permite que os médicos coloquem evidências em prática.
O futuro da tomada de decisão clínica pode ser trilhado com base em evidências do mundo real através do uso de IA e aprendizado de máquina. Então, como usamos as ferramentas de IA e machine learning, e como reduzimos o tempo de evidência para prática?
Uso da IA e machine learning
A maioria dos dados de saúde que coletamos é desestruturada, exigindo trabalho extensivo para estruturar, codificar e desidentificar antes que qualquer análise profunda possa começar. Portanto, 80% do uso de IA está na preparação dos dados. Através deste processo, os dados brutos não estruturados e anteriormente inutilizáveis tornam-se conhecimento acionável em tempo real.
Suportada por algoritmos avançados e capacidades de machine learning, a IA pode analisar dados de pacientes existentes para estudar e desenhar novos achados de uma amostra menor de pacientes e hipóteses, muitas vezes não cobertas em pesquisas científicas maiores. Por exemplo, na Alemanha a Elsevier fechou parceria com um prestador de serviços de saúde para avaliar seis milhões de conjuntos de dados de pacientes anônimos, juntamente a dados de 25 milhões de publicações médicas.
Além disso, com análises profundas, os dados coletados por meio de conteúdo estruturado podem ser facilmente analisados para feedback sobre as práticas de cuidado. Isso terá impacto direto nas diretrizes de cuidados e proporcionará um processo contínuo de melhoria na tomada de decisões clínicas. Esse ciclo de retroalimentação permitirá reduzir as variações injustificadas e permitir que os insights sejam devolvidos à prática clínica, comparando a melhoria clínica entre os hospitais.
Conclusão
A Inteligência Artificial e a tecnologia de machine learning permanecerão como um método de entender nosso mundo, mas precisamos entregar resultados que serão impactantes para o paciente. É como usamos essas ferramentas e como fazemos a diferença que é importante. Os provedores de serviços de saúde podem realmente ser os pesquisadores do futuro e reduzir o tempo de 17 anos para dias e melhorar os resultados dos pacientes. Estou realmente animado com a jornada que estamos trilhando para a melhoria da saúde global.
Tim Morris é diretor de portfólio comercial e de parcerias da Elsevier para EMEALAAP
