logo
Top

Machine Learning na Saúde: prevenção, detecção e tratamento de doenças

A pandemia da Covid-19 já é vista como o principal elemento acelerador da transformação digital em diferentes setores da economia, e na área da saúde não é diferente. Técnicas de machine learning vêm sendo aplicadas em várias pesquisas relacionadas ao desenvolvimento de vacinas e avaliação de medicamentos. Além disso, são utilizadas com finalidades de diagnóstico precoce, suportado por exames de sangue e imagem, e de prevenção do quadro clínico de pacientes.

Considerando que os sintomas da Covid-19 são muito parecidos com os sintomas da gripe, os modelos de machine learning servem como verdadeiros aliados para encontrar padrões combinando grandes massas de dados de diferentes naturezas. Se havia alguma dúvida quanto à necessidade de adoção de tecnologias analíticas em processos de saúde, a pandemia veio para eliminar estes questionamentos.

Tornou-se vital evoluir processos hospitalares e implementar dinâmicas especializadas de coleta de dados em massa, incluindo a estruturação dos diferentes tipos de dados, avaliação de frentes de pesquisa e treinamento constante de modelos e validação pelos profissionais de saúde.

 

O que é Machine Learning?

Em português, muitos conhecem como Aprendizado de Máquina, ou mesmo Aprendizagem Automática. O termo foi cunhado pela primeira vez em 1959 por um engenheiro do MIT que o aplicou para descrever “um campo de estudo que dá aos computadores a habilidade de aprender sem terem sido programados para tal”.

Em sua essência, machine learning preserva suas origens. Trata-se do estudo de reconhecimento de padrões e do aprendizado computacional em inteligência artificial. Basicamente dois tipos de abordagens caracterizam o machine learning: aprendizado supervisionado e não supervisionado; e dois tipos de algoritmos: classificação e regressão.

 

Machine Learning na Saúde

O potencial de se trabalhar com dados, análises e técnicas de machine learning na medicina é enorme. Vai desde a redução de custos operacionais e gastos individuais com saúde, até a possibilidade de as pessoas desfrutarem de vidas mais longas, saudáveis e mais produtivas.

De modo geral, as aplicações na área da saúde são técnicas de aprendizado supervisionado para algoritmos de classificação. Isso significa que, por meio de um banco de dados de vários pacientes contendo a relação de seus sintomas e diagnósticos, busca-se encontrar padrões de sintomas para cada enfermidade. Desta forma, a aplicação é capaz de informar se o paciente tem ou não determinada enfermidade, de acordo com os sintomas que apresenta.

 

Aplicações possíveis

  • Direcionamento: uma das preocupações decorrentes do novo coronavírus é o isolamento de pessoas sintomáticas para reduzir o contágio e propagação da doença. Existem processos inteligentes capazes de relacionar sintomas apresentados com a doença, resultando em direcionamento mais ágil dos infectados;
  • Diagnóstico de câncer: ao analisar as características de um nódulo na imagem de ressonância, segundo um banco de dados já definido, é possível classificar o nódulo como maligno ou benigno. Também é possível saber a probabilidade de o nódulo pertencer a cada uma das classificações, para então definir o diagnóstico do paciente e os próximos passos do tratamento;
  • Triagem: o uso de machine learning na saúde também pode não ser tão específico, indicando não apenas uma, mas as possíveis enfermidades que o paciente pode ter de acordo com os sintomas que ele apresenta. Uma aplicação possível seria durante a triagem: ao chegar no pronto atendimento, diante dos sintomas apresentados e com o auxílio dos dados já pré-definidos no sistema, o paciente é encaminhado ao especialista mais adequado;
  • Entendimento do contexto: aplicativos de pesquisa podem contribuir para a compreensão do avanço de pandemias, como a da COVID-19, por meio de testes não invasivos. Por exemplo, pessoas respondem sobre seu quadro clínico atual e, com o passar do tempo, é possível avaliar o avanço da doença na região. Neste sentido, é possível agir preventivamente quanto à disponibilidade de equipamentos e profissionais para atender às diferentes demandas regionais.

Estabelecer um processo de machine learning em uma instituição de saúde requer uma série de análises específicas. Afinal, cada instituição tem suas particularidades. E cabe à gestão saber identificá-las. Aqui, contar com um parceiro especializado faz toda a diferença. Na UniSoma, utilizamos uma abordagem investigativa e buscamos compreender exatamente onde estão e quais são as oportunidades que nossas soluções devem atacar. Para entregar o máximo de usabilidade e valor, desenvolvemos projetos únicos, moldados para as especificidades de cada cliente.

 

Benefícios de Machine Learning na Saúde

Para as instituições de saúde, os benefícios diretos da implementação de modelagem, principalmente no cenário pós-pandemia, se resumem em:

  • Redução do tempo de diagnóstico;
  • Otimização de processos de sequenciamento genético de vírus em pesquisas e desenvolvimento de tratamentos e medicamentos;
  • Menores custos com exames, indicando os mais decisivos para a obtenção de cada diagnóstico;
  • Aprimoramento de modelos diagnósticos e de prevenção;
  • Diminuição da equipe operacional necessária para atender a demanda, já que um médico conseguirá definir o diagnóstico com mais precisão e em um tempo menor de consulta, podendo atender mais pacientes;
  • Aplicação de processos preditivos de atendimento remoto, com programação periódica para reavaliação de quadros.

 

Para o paciente, as vantagens são:

  • Acesso a ferramentas de atendimento online e direcionamento assertividade acordo com os primeiros sintomas apresentados;
  • Maior precisão do diagnóstico, com melhor acompanhamento da evolução da enfermidade. Doenças detectadas em fases iniciais possibilitam maiores chances de cura ou sequelas menos drásticas;
  • Qualidade superior de atendimento, que é realizado de maneira mais personalizada;
  • Prevenção: com base em diagnósticos anteriores, é possível selecionar a família da enfermidade e, com os exames suplementares, entender como se prevenir de possíveis doenças.

 

Desafios

Um tratamento eficiente passa pela adoção de melhores práticas baseadas em evidências bem definidas e amplamente aceitas. Com isso é possível reduzir custos e melhorar a qualidade da prestação dos serviços de saúde. Investir em tecnologia de machine learning é uma maneira de maximizar resultados. Alguns desafios, no entanto, são inerentes à realidade das instituições de saúde.

O principal deles está no desenvolvimento de um banco de dados suficientemente grande para abranger o máximo de informações para o modelo. Considerando que as doenças se comportam e evoluem diferentemente em cada organismo, o modelo deve ser capaz de absorver essas diferenças, avaliando um amplo conjunto de variáveis. Caso a instituição não conte com um modelo suficientemente robusto, é possível implementar e incluir dados e informações conforme o uso.

 

Para onde vamos?

Não há dúvidas que a convergência de várias tendências tecnológicas, o acúmulo crescente de dados e o advento da pandemia da Covid-19 vêm acelerando o progresso. O grande obstáculo, no entanto, reside em extrair valor desse universo de dados disponível.

Diante da panaceia tecnológica, saber qual a melhor tecnologia a ser implementada para ajudar numa decisão médica pode ser determinante para a vida de um paciente. E as instituições precisam de ferramentas capazes de transformar dados em informação que permitam uma tomada de decisão mais assertiva.

Profissionais e instituições equipadas com machine learning serão capazes de desvendar os mistérios da doença mais rápidos e poderão se prevenir para melhor atender seus pacientes. Entre em contato com a UniSoma para entender como a empresa pode te ajudar.

 

Mariane Sahú é Analista de Modelagem Estatística da UniSoma. É Bacharel em Matemática Aplicada e Bacharel em Estatística pela Unicamp

Conteúdo originalmente escrito em outubro de 2018 e atualizado em julho de 2020